| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 1 绪论 | 第9-15页 |
| 1.1 研究背景与研究意义 | 第9-10页 |
| 1.1.1 基于乘客乘车行为预测推荐算法问题研究背景与意义 | 第9-10页 |
| 1.1.2 类别不平衡问题研究背景与意义 | 第10页 |
| 1.2 研究现状 | 第10-13页 |
| 1.2.1 推荐算法的研究现状 | 第10-11页 |
| 1.2.2 不平衡分类问题的研究现状 | 第11-13页 |
| 1.3 本文主要工作 | 第13-14页 |
| 1.4 本文组织结构 | 第14-15页 |
| 2 数据预处理和构建特征工程 | 第15-21页 |
| 2.1 数据预处理 | 第15-17页 |
| 2.1.1 数据清理 | 第15-16页 |
| 2.1.2 数据聚集 | 第16页 |
| 2.1.3 数据集成 | 第16-17页 |
| 2.2 特征工程选择和设计 | 第17-18页 |
| 2.3 基于乘客维度的特征选取介绍 | 第18页 |
| 2.4 基于线路的特征选择介绍 | 第18-19页 |
| 2.5 基于乘客线路交互行为的特征选择介绍 | 第19-20页 |
| 2.6 本章小结 | 第20-21页 |
| 3 随机梯度提升决策树算法和代价敏感学习的研究与介绍 | 第21-35页 |
| 3.1 决策树算法的基本思想 | 第21-22页 |
| 3.2 Boosting基本思想 | 第22-23页 |
| 3.3 随机梯度提升算法的基本思想 | 第23-30页 |
| 3.4 代价敏感学习的介绍 | 第30-34页 |
| 3.4.1 AdaBoost算法 | 第31-32页 |
| 3.4.2 基于代价敏感学习决策树 | 第32页 |
| 3.4.3 基于代价敏感学习人工神经网络 | 第32-33页 |
| 3.4.4 代价敏感学习框架 | 第33-34页 |
| 3.4.5 基于代价敏感学习SVM | 第34页 |
| 3.4.6 基于代价敏感的集成学习 | 第34页 |
| 3.5 本章小结 | 第34-35页 |
| 4 代价敏感学习下的随机梯度提升算法及应用 | 第35-48页 |
| 4.1 实验平台和工具介绍 | 第35页 |
| 4.2 广东市乘客出行数据集分析及其处理 | 第35-36页 |
| 4.3 不平衡分类数据评价标准 | 第36-38页 |
| 4.3.1 分类的准确性 | 第36-37页 |
| 4.3.2 F1-value | 第37页 |
| 4.3.3 AUC性能指标 | 第37-38页 |
| 4.4 特征的选取及其分析 | 第38-39页 |
| 4.5 基于代价敏感学习随机梯度提升算法实现和分析 | 第39-40页 |
| 4.6 公共不平衡分类数据集实验结果 | 第40-43页 |
| 4.6.1 不平衡分类公共数据集 | 第40-41页 |
| 4.6.2 实验设置 | 第41页 |
| 4.6.3 实验结果及其对比分析 | 第41-43页 |
| 4.7 广东市乘客是否乘坐公交的实验结果 | 第43-47页 |
| 4.7.1 算法模型各个参数的对比和分析 | 第43-45页 |
| 4.7.2 实验结果分析和对比 | 第45-47页 |
| 4.8 本章总结 | 第47-48页 |
| 结论 | 第48-50页 |
| 参考文献 | 第50-53页 |
| 致谢 | 第53-54页 |
