| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第一章 绪论 | 第11-16页 |
| 1.1 研究背景及意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-14页 |
| 1.3 课题研究内容 | 第14页 |
| 1.4 论文内容结构 | 第14-15页 |
| 1.5 本章小节 | 第15-16页 |
| 第二章 相关技术介绍 | 第16-30页 |
| 2.1 交通流基本理论 | 第16-19页 |
| 2.1.1 交通流基本特征参数 | 第16-17页 |
| 2.1.2 交通流特性 | 第17-18页 |
| 2.1.3 交通流数据采集 | 第18-19页 |
| 2.2 交通流预测方法概述 | 第19-24页 |
| 2.2.1 基于统计理论的方法 | 第20-21页 |
| 2.2.2 基于非线性系统理论的方法 | 第21-22页 |
| 2.2.3 基于机器学习的方法 | 第22-24页 |
| 2.2.4 基于组合模型的方法 | 第24页 |
| 2.3 机器学习概述 | 第24-29页 |
| 2.3.1 决策树算法 | 第24-25页 |
| 2.3.2 集成学习算法 | 第25-26页 |
| 2.3.3 统计学习理论简介 | 第26-28页 |
| 2.3.4 遗传算法 | 第28-29页 |
| 2.4 本章小结 | 第29-30页 |
| 第三章 交通数据预处理技术的研究 | 第30-50页 |
| 3.1 数据来源 | 第30-32页 |
| 3.2 数据清洗 | 第32-37页 |
| 3.2.1 交通流缺失数据处理 | 第33-34页 |
| 3.2.2 交通流数据去噪 | 第34-37页 |
| 3.3 数据规范化 | 第37-38页 |
| 3.4 特征选择 | 第38-49页 |
| 3.4.1 随机森林算法简介 | 第39-41页 |
| 3.4.2 随机森林算法的缺点 | 第41页 |
| 3.4.3 基于LOO的CART算法 | 第41-44页 |
| 3.4.4 一种基于LOO-RF的自适应特征选择的方法 | 第44页 |
| 3.4.5 特征选择效果验证 | 第44-49页 |
| 3.5 本章小结 | 第49-50页 |
| 第四章 基于支持向量回归的短时交通流预测模型研究 | 第50-69页 |
| 4.1 支持向量机理论简介 | 第50-51页 |
| 4.1.1 支持向量机 | 第50-51页 |
| 4.2 支持向量机回归 | 第51-55页 |
| 4.2.1 v -支持向量机回归 | 第52-53页 |
| 4.2.2 基于高斯损失函数的v -SVR模型 | 第53-55页 |
| 4.3 支持向量机回归参数优化 | 第55-63页 |
| 4.3.1 标准遗传算法缺点 | 第56页 |
| 4.3.2 使用CAT映射对种群进行初始化 | 第56-58页 |
| 4.3.3 遗传算子操作 | 第58-60页 |
| 4.3.4 一种改进的基于混沌的遗传算法 | 第60-61页 |
| 4.3.5 一种改进的基于CGA-SVR的短时交通流预测模型 | 第61-63页 |
| 4.4 实验结果 | 第63-68页 |
| 4.4.1 短时交通流预测评价指标 | 第63页 |
| 4.4.2 实验环境和实验数据 | 第63页 |
| 4.4.3 实验结果及分析 | 第63-68页 |
| 4.5 本章小结 | 第68-69页 |
| 第五章 交通流预测系统的设计与实现 | 第69-81页 |
| 5.1 系统简介 | 第69-70页 |
| 5.1.1 系统目标及实现 | 第69页 |
| 5.1.2 开发环境 | 第69-70页 |
| 5.2 系统总体设计 | 第70-71页 |
| 5.2.1 系统总体结构 | 第70-71页 |
| 5.3 功能模块详细设计与实现 | 第71-76页 |
| 5.3.1 采集模块设计与实现 | 第72-73页 |
| 5.3.2 分析模块设计与实现 | 第73-75页 |
| 5.3.3 展示模块设计与实现 | 第75-76页 |
| 5.4 应用案例 | 第76-80页 |
| 5.5 本章小结 | 第80-81页 |
| 第六章 总结与展望 | 第81-83页 |
| 6.1 总结 | 第81-82页 |
| 6.2 展望 | 第82-83页 |
| 致谢 | 第83-84页 |
| 参考文献 | 第84-88页 |
| 攻硕期间取得的研究成果 | 第88-89页 |