声明
致谢
1 绪论
1.1 研究背景及意义
1.2 国内外研究现状
1.2.1 统计理论预测方法
1.2.2 非线性理论预测方法
1.2.3 智能模型预测方法
1.2.4 交通仿真预测方法
1.2.5 组合模型预测方法
1.2.6 综合评述
1.3 研究内容及技术路线
2 城市快速路交通流特性分析
2.1 交通流基本参数
2.2 交通流三参数模型
2.3 交通流相关性分析
2.3.1 相关性理论
2.3.2 时间特性分析
2.3.3 空间特性分析
2.4 本章小结
3 交通流数据采集及预处理
3.1 数据采集
3.2 数据预处理
3.2.1 缺失和冗余数据
3.2.2 错误数据
3.2.3 数据修复
3.2.4 数据整合
3.2.5 归一化
3.3 本章小结
4 基于深度学习的短时交通流预测
4.1 深度学习理论
4.1.1 卷积神经网络
4.1.2 循环神经网络
4.1.3 门控循环单元
4.2 注意力机制
4.2.1 编码-解码模型
4.2.2 注意力模型框架
4.3 基于ACGRU的短时预测模型
4.3.1 目标函数
4.3.2 模型训练
4.4 实例分析
4.4.1 实验数据
4.4.2 评价指标
4.4.3 模型参数
4.4.4 结果分析
4.5 本章小结
5 基于Stacking算法的短时交通流预测
5.1 集成学习概述
5.1.1 Boosting 算法
5.1.2 Bagging 算法
5.1.3 Stacking 算法
5.2 实例验证
5.2.1 实验数据
5.2.2 评价指标
5.2.3 算法选取
5.2.4 实验模型
5.2.5 结果分析
5.3 本章小结
6 总结与展望
6.1 总结
6.2 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
独创性声明
学位论文数据集
北京交通大学;