基于深度高斯过程的交通流预测
| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7-8页 |
| 1 引言 | 第11-17页 |
| 1.1 研究的背景与意义 | 第11-12页 |
| 1.2 研究现状及分析 | 第12-14页 |
| 1.2.1 国内外研究现状 | 第12-14页 |
| 1.2.2 交通流预测中的难点 | 第14页 |
| 1.3 本文的研究方案 | 第14-15页 |
| 1.4 本文的章节安排 | 第15-17页 |
| 2 交通流预测理论 | 第17-36页 |
| 2.1 交通流参数的定义 | 第17-19页 |
| 2.1.1 交通流量 | 第17页 |
| 2.1.2 交通流速度 | 第17-18页 |
| 2.1.3 交通流密度 | 第18-19页 |
| 2.2 交通流量数据的特点 | 第19-20页 |
| 2.2.1 非线性 | 第19页 |
| 2.2.2 周期性 | 第19-20页 |
| 2.2.3 随机性 | 第20页 |
| 2.2.4 波动性 | 第20页 |
| 2.3 交通流数据采集方法 | 第20-22页 |
| 2.4 交通流预测系统的特征 | 第22-23页 |
| 2.5 交通流预测方法 | 第23-34页 |
| 2.5.1 基于解析数学的交通流预测方法 | 第25-27页 |
| 2.5.2 基于人工智能的交通流预测方法 | 第27-32页 |
| 2.5.3 基于组合模型的交通流预测方法 | 第32-34页 |
| 2.6 本章小结 | 第34-36页 |
| 3 深度高斯过程 | 第36-52页 |
| 3.1 高斯过程回归 | 第36-43页 |
| 3.1.1 贝叶斯回妇 | 第37-39页 |
| 3.1.2 贝叶斯回归中的非线性难题 | 第39-41页 |
| 3.1.3 函数空间视角 | 第41-43页 |
| 3.2 深度高斯过程 | 第43-51页 |
| 3.2.1 深度高斯过程的单层变分推理 | 第43-47页 |
| 3.2.2 深层高斯过程的跨层变分推理 | 第47-49页 |
| 3.2.3 深度高斯过程的优势 | 第49-51页 |
| 3.3 本章小结 | 第51-52页 |
| 4 交通流预测实验部分 | 第52-89页 |
| 4.1 交通流数据的来源 | 第52-54页 |
| 4.2 交通流量数据预处理 | 第54-66页 |
| 4.2.1 缺失数据的处理 | 第55-58页 |
| 4.2.2 噪声数据的处理 | 第58-65页 |
| 4.2.3 交通流预测的评价指标 | 第65-66页 |
| 4.3 基于深度高斯回归模型的预测算法 | 第66-87页 |
| 4.3.1 高斯过程中的核函数 | 第67-71页 |
| 4.3.2 深度高斯过程的交通流预测 | 第71-79页 |
| 4.3.3 不同方法之间的对比 | 第79-87页 |
| 4.4 本章小结 | 第87-89页 |
| 5 结论 | 第89-91页 |
| 5.1 总结 | 第89-90页 |
| 5.2 展望 | 第90-91页 |
| 参考文献 | 第91-95页 |
| 学位论文数据集 | 第95页 |
