城市道路短时车流量预测模型研究
| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 第1章 绪论 | 第11-17页 |
| 1.1 研究背景与意义 | 第11-13页 |
| 1.2 国内外研究现状 | 第13-15页 |
| 1.3 本文主要工作 | 第15-16页 |
| 1.4 本文组织结构 | 第16-17页 |
| 第2章 车流量数据分析 | 第17-29页 |
| 2.1 数据来源 | 第17-18页 |
| 2.2 车流量解析 | 第18-21页 |
| 2.2.1 全天车流量变化 | 第18-20页 |
| 2.2.2 预测车流量的可行性和必要性 | 第20-21页 |
| 2.3 构造车流量预测模型的训练集 | 第21-24页 |
| 2.3.1 影响车流量的因素 | 第21-22页 |
| 2.3.2 构造训练集 | 第22-24页 |
| 2.4 模型的理论基础 | 第24-26页 |
| 2.4.1 机器学习的任务 | 第24-25页 |
| 2.4.2 PAC理论 | 第25-26页 |
| 2.5 噪声和错误 | 第26-28页 |
| 2.5.1 噪声的影响 | 第26页 |
| 2.5.2 数据集的清洗 | 第26-28页 |
| 2.5.3 错误率的定义 | 第28页 |
| 2.6 本章小结 | 第28-29页 |
| 第3章 基于支持向量机的短时车流量预测 | 第29-49页 |
| 3.1 SVM基本理论分析 | 第29-33页 |
| 3.1.1 线性可分的二分类问题 | 第29-31页 |
| 3.1.2 软性分类器 | 第31-32页 |
| 3.1.3 支持向量回归机 | 第32-33页 |
| 3.2 核函数的比较和选择 | 第33-34页 |
| 3.3 基于SVM的车流量预测实验 | 第34-41页 |
| 3.3.1 训练集的预处理 | 第34-35页 |
| 3.3.2 预测结果评价指标 | 第35页 |
| 3.3.3 超参的调节算法 | 第35-41页 |
| 3.4 车流量预测结果比较和分析 | 第41-46页 |
| 3.4.1 预测结果比较 | 第41-43页 |
| 3.4.2 预测结果分析 | 第43-46页 |
| 3.5 其他条件下的车流量预测 | 第46-47页 |
| 3.6 本章小结 | 第47-49页 |
| 第4章 基于随机森林的短时车流量预测 | 第49-67页 |
| 4.1 随机森林算法分析 | 第49-53页 |
| 4.1.1 模型发展概述 | 第49页 |
| 4.1.2 CART树 | 第49-51页 |
| 4.1.3 随机森林算法流程 | 第51-53页 |
| 4.2 基于随机森林的车流量预测实验 | 第53-61页 |
| 4.2.1 默认参数的模型表现 | 第54-55页 |
| 4.2.2 参数调节及分析 | 第55-57页 |
| 4.2.3 车流量预测结果分析 | 第57-60页 |
| 4.2.4 与SVR模型的比较 | 第60-61页 |
| 4.3 特征变量的重要性评估 | 第61-66页 |
| 4.3.1 特征变量重要性评估方法 | 第61-62页 |
| 4.3.2 车流量预测中各特征变量重要性 | 第62-64页 |
| 4.3.3 基于特征变量选择的车流量预测 | 第64-66页 |
| 4.4 本章小结 | 第66-67页 |
| 第5章 基于深度学习的短时车流量预测 | 第67-75页 |
| 5.1 深度学习简介 | 第67-68页 |
| 5.2 基于深度学习的车流量预测实验 | 第68-74页 |
| 5.2.1 使用layer-wise算法 | 第68-72页 |
| 5.2.2 使用包含ReLU的DNN | 第72-74页 |
| 5.3 本章小结 | 第74-75页 |
| 第6章 总结与展望 | 第75-77页 |
| 6.1 工作总结 | 第75-76页 |
| 6.2 展望 | 第76-77页 |
| 参考文献 | 第77-83页 |
| 致谢 | 第83-85页 |
| 在读期间发表的学术论文与取得的其他研究成果 | 第85页 |
