声明
第1章 绪论
1.1 研究背景及意义
1.2 国内外研究现状
1.2.1 基于固定检测器数据的事件检测算法
1.2.2 基于移动源数据的事件检测算法
1.2.3 基于多源数据的事件检测算法
1.3 研究内容与研究思路
1.3.1 研究内容
1.3.2 研究思路
1.4 本章小结
第2章 基于集成学习的单源数据事件检测算法研究
2.1 集成学习理论
2.1.1 集成学习基本概念
2.1.2 常见的集成学习框架
2.1.3 集成学习在事件检测中的适用性分析
2.1.4 常见的集成学习算法
2.2 事件状态下的交通流特性分析
2.2.1 路段上下游速度特性
2.2.2 路段上下游流量特性
2.2.3 路段上下游时间占有率特性
2.3 基于RF和GDBT的事件检测变量选择
2.3.1 RF算法事件检测变量选择
2.3.2 GBDT算法事件检测变量选择
2.3.3 事件检测特征变量综合选择
2.4 基于IPSO-XGboost单源数据事件检测算法
2.4.1 XGboost基本原理
2.4.2 IPSO优化XGboost事件检测算法
2.4.3 IPSO-XGboost单源数据事件检测算法实现流程
2.5 本章小结
第3章 基于集成学习的多源数据事件检测算法研究
3.1 多源交通数据的采集与特性分析
3.1.1 多源交通数据采集技术概述
3.1.2 常用的交通数据检测器
3.1.3 多源交通数据特性分析
3.2 多源交通数据融合
3.2.1 多源交通数据融合层次
3.2.2 常用的多源交通数据融合方法
3.3 基于GA-BP的多源事件检测数据融合
3.3.1 BP神经网络数据融合算法设计
3.3.2 GA优化BP神经网络
3.3.3 多源事件检测数据融合
3.4 基于LightGBM的多源数据事件检测算法
3.4.1 LightGBM基本原理
3.4.2 LightGBM事件检测算法设计
3.4.3 LightGBM多源数据事件检测算法实现流程
3.5 本章小结
第4章 事件检测算法实验测试及性能分析
4.1 实验数据及预处理
4.1.1 实验环境
4.1.2 实验数据
4.1.3 数据预处理
4.2 事件检测算法性能评价指标
4.3 基于IPSO-XGboost的单源数据事件检测算法性能分析
4.3.1 事件检测变量选择
4.3.2 事件检测算法参数设置
4.3.3 事件检测算法性能对比分析
4.4 基于LightGBM的多源数据事件检测算法性能分析
4.4.1 事件检测变量选择
4.4.2 事件检测算法参数设置
4.4.3 事件检测算法性能对比分析
4.5 本章小结
第5章 总结与展望
5.1 工作总结
5.2 研究展望
参考文献
作者简介及在学期间所取得的科研成果
致谢
吉林大学;
