声明
致谢
摘要
1.1 研究背景及意义
1.2 交通流预测研究现状
1.2.1 交通流预测研究方法概述
1.2.2 国内外研究现状
1.3 研究内容及章节安排
1.4 技术路线
2 连续交通流时空特性分析
2.1 数据采集及预处理
2.1.1 交通流数据采集技术
2.1.2 交通流数据预处理
2.2 连续交通流时空关联机制
2.2.1 关联性度量
2.2.2 时间关联性分析
2.2.3 空间关联性分析
2.3 小结
3 基于支持向量回归的短时交通流预测
3.1 稀疏表达理论
3.1.1 稀疏表达
3.1.2 稀疏分解算法
3.2 支持向量机理论
3.2.1 支持向量机
3.2.2 支持向量回归
3.3 基于SR-SVR的短时交通流预测
3.3.1 建模过程
3.3.2 实例验证
3.4 小结
4 基于深度学习的短时交通流预测
4.1 深度学习概述
4.2 栈式自编码神经网络
4.2.1 传统人工神经网络
4.2.2 栈式自编码器
4.2.3 栈式自编码神经网络
4.3 基于SAE-DNN的短时交通流预测
4.3.1 建模过程
4.3.2 实例验证
4.4 小结
5 基于贝叶斯融合的短时交通流预测
5.1 集成学习思想
5.1.1 Boosting算法
5.1.2 Bagging算法
5.1.3 Boosting和Bagging的比较
5.2 贝叶斯理论
5.2.1 贝叶斯理论基础
5.2.2 贝叶斯理论在交通流预测中的应用
5.3 基于贝叶斯融合的短时交通流预测
5.3.1 建模过程
5.3.2 实例验证
5.4 小结
6.1 论文主要工作
6.2 不足与展望
参考文献
作者简历及攻读硕士学位期间取得的研究成果
学位论文数据集