声明
摘要
第一章 绪论
1.1 研究背景
1.2 研究意义
1.3 国内外研究现状
1.3.1 交通事件自动检测技术研究
1.3.2 交通状态自动判别技术研究
1.3.3 交通状态短时预测技术研究
1.4 现有研究评述
1.5 研究思路与主要研究内容
1.5.1 论文研究思路
1.5.2 主要研究内容
1.5.3 论文章节安排
1.6 本章小结
第二章 交通状态模式分类
2.1 交通流基本参数
2.2 基于基本图的交通状态模式分类
2.3 基于三相交通流的交通状态模式分类
2.4 基于LoS的交通状态模式分类
2.5 基于集成学习的交通状态模式分类
2.5.1 基于聚类的交通状态模式分类
2.5.2 基于距离的交通状态模式分类
2.6 本章小结
第三章 基于集成学习的交通事件检测方法
3.1 交通事件学习器的基本概念
3.1.1 交通事件学习器
3.1.2 交通事件学习器集成的原理
3.1.3 交通事件学习器集成的优点
3.2 基于随机森林的交通事件检测方法
3.2.1 RF的概念
3.2.2 RF的构建
3.2.3 基于RF的AID方法设计
3.2.4 评价指标
3.2.5 实验分析
3.3 基于朴素贝叶斯集成的交通事件检测方法
3.3.1 朴素贝叶斯交通事件学习器
3.3.2 朴素贝叶斯学习器检测原理
3.3.3 基于分类器集成的AID算法设计
3.3.4 算法评价指标
3.3.5 实验分析
3.4 本章小结
第四章 基于集成学习的交通状态判别方法
4.1 交通状态的划分
4.1.1 国外交通状态的划分
4.1.2 国内交通状态的划分
4.2 交通状态学习器集成理论
4.2.1 交通状态学习器
4.2.2 交通状态学习器集成
4.3 基于动态集成学习的交通状态判别方法
4.3.1 经典集成学习方法的瓶颈
4.3.2 基于DACI-LA硬选择集成
4.3.3 基于DACI-LA的交通状态判别方法流程
4.3.4 评价指标
4.3.5 实验分析
4.4 本章小结
第五章 基于集成学习的交通状态预测方法
5.1 交通状态预测器
5.2 基于动态集成学习的交通状态等级预测方法
5.2.1 K-Means聚类概述
5.2.2 基于动态集成学习的交通状态预测方法设计
5.2.3 实例验证
5.3 基于扰动集成学习的交通状态参数预测方法
5.3.1 基于MLF的交通状态预测器参数确定
5.3.2 基于RBF的交通状态预测器参数确定
5.3.3 基于集成学习的交通流量预测方法
5.4 本章小结
第六章 基于集成学习的交通状态预报平台设计
6.1 平台简介
6.1.1 平台框架
6.1.2 功能设计
6.2 应用实例
6.3 本章小结
第七章 总结与展望
7.1 主要研究结论
7.2 主要创新点
7.3 研究展望
参考文献
致谢
附录
攻读博士学位期间发表论文及参与科研情况