| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第1章 绪论 | 第9-16页 |
| 1.1 课题背景及研究的目的和意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-12页 |
| 1.2.1 参数化方法 | 第10-11页 |
| 1.2.2 非参数化方法 | 第11-12页 |
| 1.2.3 研究现状分析 | 第12页 |
| 1.3 本文的主要研究内容及论文组织结构 | 第12-16页 |
| 第2章 基于梯度提升树的城市区域流量相关因素分析 | 第16-31页 |
| 2.1 引言 | 第16页 |
| 2.2 梯度提升树理论 | 第16-20页 |
| 2.2.1 机器学习原理 | 第16-17页 |
| 2.2.2 决策树算法 | 第17-19页 |
| 2.2.3 梯度提升树方法 | 第19-20页 |
| 2.3 数据集分析和特征抽取方法 | 第20-25页 |
| 2.3.1 数据集描述 | 第20-22页 |
| 2.3.2 数据集分析方法 | 第22-24页 |
| 2.3.3 特征抽取方法 | 第24-25页 |
| 2.4 实验结果与分析 | 第25-30页 |
| 2.4.1 实验设置 | 第26页 |
| 2.4.2 基于GBDT实现区域流量预测方法的实验结果与分析 | 第26-30页 |
| 2.5 本章小结 | 第30-31页 |
| 第3章 基于时间依赖性的城市区域流量预测 | 第31-46页 |
| 3.1 引言 | 第31页 |
| 3.2 深度学习理论 | 第31-38页 |
| 3.2.1 深度神经网络 | 第31-35页 |
| 3.2.2 循环神经网络 | 第35-36页 |
| 3.2.3 长短期记忆神经网络 | 第36-38页 |
| 3.3 基于LSTM网络的区域流量预测方法 | 第38-41页 |
| 3.3.1 数据集构造及数据预处理 | 第39-40页 |
| 3.3.2 实验设置 | 第40页 |
| 3.3.3 实验结果与分析 | 第40-41页 |
| 3.4 基于时间依赖性的区域流量预测方法 | 第41-44页 |
| 3.4.1 数据集构造及数据预处理 | 第43页 |
| 3.4.2 实验结果与分析 | 第43-44页 |
| 3.5 本章小结 | 第44-46页 |
| 第4章 基于时空属性的城市区域流量预测 | 第46-53页 |
| 4.1 引言 | 第46页 |
| 4.2 卷积LSTM | 第46-49页 |
| 4.2.1 卷积神经网络 | 第46-48页 |
| 4.2.2 卷积LSTM核心思想 | 第48-49页 |
| 4.3 基于时空属性与卷积LSTM网络的区域流量预测方法 | 第49-50页 |
| 4.4 实验结果与分析 | 第50-51页 |
| 4.5 本章小结 | 第51-53页 |
| 第5章 基于多源数据时空属性的城市区域流量预测 | 第53-62页 |
| 5.1 引言 | 第53页 |
| 5.2 基于多源数据时空属性的城市区域流量预测方法 | 第53-56页 |
| 5.2.1 CRNN核心思想 | 第53-54页 |
| 5.2.2 基于多源数据时空属性的区域流量预测方法 | 第54-56页 |
| 5.3 实验结果与分析 | 第56-60页 |
| 5.3.1 实验设置 | 第56-58页 |
| 5.3.2 实验结果与分析 | 第58-60页 |
| 5.4 本章小结 | 第60-62页 |
| 结论 | 第62-64页 |
| 参考文献 | 第64-68页 |
| 攻读硕士学位期间发表的论文及其它成果 | 第68-70页 |
| 致谢 | 第70页 |
