| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第9-16页 |
| 1.1 课题来源及研究的目的意义 | 第9页 |
| 1.1.1 课题来源 | 第9页 |
| 1.1.2 研究的目的及意义 | 第9页 |
| 1.2 国内外研究现状 | 第9-14页 |
| 1.2.1 关于城市对外交通需求研究现状 | 第9-12页 |
| 1.2.2 关于机器学习方法相关国内外研究现状 | 第12-13页 |
| 1.2.3 国内外文献综述简析 | 第13-14页 |
| 1.3 主要研究内容 | 第14-15页 |
| 1.4 研究技术路线 | 第15-16页 |
| 第2章 对外客运需求影响因素分析与机器学习方法 | 第16-29页 |
| 2.1 城市对外客运总体需求影响因素分析 | 第16-17页 |
| 2.1.1 经济消费 | 第16页 |
| 2.1.2 交通运输 | 第16-17页 |
| 2.1.3 人口 | 第17页 |
| 2.1.4 产业 | 第17页 |
| 2.2 现有对外客运总体需求预测方法有效性分析 | 第17-19页 |
| 2.3 机器学习 | 第19-21页 |
| 2.3.1 监督学习与无监督学习方法 | 第19-20页 |
| 2.3.2 本文方法对比选取 | 第20-21页 |
| 2.4 深度学习与随机森林 | 第21-28页 |
| 2.4.1 深度学习方法研究 | 第21-24页 |
| 2.4.2 随机森林方法研究 | 第24-28页 |
| 2.5 本章小结 | 第28-29页 |
| 第3章 基于深度学习法的城市对外客运需求总量预测 | 第29-36页 |
| 3.1 基于降噪自编码方法对外客运需求总量预测模型构建 | 第29-31页 |
| 3.1.1 降噪自编码 | 第29-30页 |
| 3.1.2 逐层学习 | 第30-31页 |
| 3.1.3 数据归一化 | 第31页 |
| 3.2 对外客运总体需求预测模型流程 | 第31-32页 |
| 3.3 基于Matlab语言降噪自编码方法实际算例 | 第32-34页 |
| 3.4 本章小结 | 第34-36页 |
| 第4章 基于随机森林法的城市对外客运需求总量预测 | 第36-44页 |
| 4.1 基于随机森林方法城市对外客运需求总量预测模型构建 | 第36-38页 |
| 4.1.1 窗口滑移 | 第36页 |
| 4.1.2 对外客运总体需求影响因素重要度分析 | 第36-37页 |
| 4.1.3 工具与参数取值 | 第37-38页 |
| 4.2 基于R语言随机森林实际算例 | 第38-40页 |
| 4.2.1 影响因素选取 | 第38-39页 |
| 4.2.2 随机森林预测 | 第39-40页 |
| 4.3 预测效果误差对比分析 | 第40-42页 |
| 4.3.1 机器学习方法预测效果对比 | 第40-42页 |
| 4.3.2 与传统预测方法预测效果对比 | 第42页 |
| 4.4 本章小结 | 第42-44页 |
| 第5章 城市对外客运方式划分预测研究 | 第44-52页 |
| 5.1 多方式客运方式划分问题分析 | 第44-45页 |
| 5.2 多方式客运需求划分预测方法研究 | 第45-47页 |
| 5.3 基于神经网络城市对外客运方式划分预测 | 第47-50页 |
| 5.4 本章小结 | 第50-52页 |
| 结论 | 第52-54页 |
| 附录 部分MATLAB、R语言程序 | 第54-56页 |
| 参考文献 | 第56-61页 |
| 硕士学习期间发表论文与参与项目研究工作 | 第61-63页 |
| 致谢 | 第63-64页 |
| 个人简历 | 第64页 |
