基于多階數(shù)據(jù)張量感知的道路交通動態(tài)特征挖掘方法及應用

第1章 緒論
1.1 研究背景及意義
1.2 國內(nèi)外研究現(xiàn)狀
1.2.1 交通檢測數(shù)據(jù)的預處理方法研究現(xiàn)狀
1.2.2 交通數(shù)據(jù)的信息挖掘及網(wǎng)絡化方法研究現(xiàn)狀
1.2.3 道路交通網(wǎng)絡的運行特征方法研究現(xiàn)狀
1.3 內(nèi)容的組織結(jié)構
1.3.1 研究思路
1.3.2 內(nèi)容組織
第2章 基于交通數(shù)據(jù)張量的道路交通動態(tài)特征分析框架
2.1 概述
2.2 交通數(shù)據(jù)張量
2.2.1 數(shù)學意義下的張量定義
2.2.2 交通數(shù)據(jù)分析中張量引入
2.2.3 道路交通網(wǎng)絡拓撲
2.2.4 基于交通拓撲的多階交通數(shù)據(jù)張量描述
2.3 道路交通動態(tài)特征分析框架
2.4 本章小結(jié)
第3章 面向零階數(shù)據(jù)張量的交通數(shù)據(jù)預處理
3.1 概述
3.2 交通檢測數(shù)據(jù)的多源特征
3.3 基于集成學習的多源交通檢測數(shù)據(jù)校驗
3.3.1 城市交通檢測數(shù)據(jù)中的離群數(shù)據(jù)
3.3.2 集成學習算法
3.3.3 多源交通檢測數(shù)據(jù)集描述
3.3.4 基于隨機森林優(yōu)化的多源交通檢測數(shù)據(jù)校驗方法
3.3.5 基于AdaBoost決策強化的多源交通檢測數(shù)據(jù)校驗方法
3.4 基于濾波估計的多源交通檢測數(shù)據(jù)融合
3.4.1 城市多源交通檢測器采樣特征
3.4.2 聯(lián)邦卡爾曼濾波估計理論
3.4.3 多尺度交通檢測數(shù)據(jù)融合方法
3.4.4 聯(lián)邦卡爾曼濾波融合估計的實證應用分析
3.5 本章小結(jié)
第4章 面向一階數(shù)據(jù)張量的路段交通數(shù)據(jù)特征分析
4.1 概述
4.2 時序數(shù)據(jù)網(wǎng)絡化概述
4.3 基于相空間重構的時序交通流網(wǎng)絡特征分析
4.3.1 時間序列相空間重構理論
4.3.2 相空間重構的參數(shù)估計方法
4.3.3 基于相空間重構的交通流時間序列網(wǎng)絡模型
4.3.4 相空間重構交通流時間序列的實例應用分析
4.4 基于可視圖的多狀態(tài)下時序交通流網(wǎng)絡特征分析
4.4.1 基于聚類分析的交通狀態(tài)識別
4.4.2 基于可視圖的多狀態(tài)劃分交通流時間序列網(wǎng)絡模型
4.4.3 可視圖重構交通流時間序列的實例應用分析
4.5 基于預測強度聚類的行程時間預測
4.5.1 面向數(shù)據(jù)的高速公路行程時間提取
4.5.2 基于預測強度聚類的行程時間預測
4.5.3 預測強度聚類的的實例應用分析
4.6 本章小結(jié)
第5章 面向二階數(shù)據(jù)張量的交通路網(wǎng)節(jié)點評估
5.1 概述
5.2 考慮交通數(shù)據(jù)空間關聯(lián)的二階交通數(shù)據(jù)張量
5.2.1 考慮檢測器布設的二階交通數(shù)據(jù)張量構建
5.2.2 考慮路段特征的二階交通數(shù)據(jù)張量構建
5.3 基于二分k-means的路網(wǎng)節(jié)點評估
5.3.1 k-means聚類思想
5.3.2 基于二分k-means的節(jié)點交通特征評估算方法
5.3.3 節(jié)點異質(zhì)性評估
5.3.4 聚類節(jié)點評估的實例應用分析
5.4 本章小結(jié)
第6章 面向三階數(shù)據(jù)張量的路網(wǎng)時空交通擁堵態(tài)勢預測
6.1 概述
6.2 深度學習基本思想
6.3 城市道路網(wǎng)的交通擁堵評價
6.4 基于GRU-CNN的交通網(wǎng)絡時空擁堵態(tài)勢預測
6.4.1 基于GRU的交通網(wǎng)絡的時間特征提取
6.4.2 基于CNN的交通網(wǎng)絡擁堵的空間狀態(tài)特征提取
6.4.3 基于GRU-CNN的時空擁堵狀態(tài)預測模型
6.5 時空擁堵預測方法的實例應用分析
6.5.1 實例數(shù)據(jù)集
6.5.2 實驗方案設計
6.5.3 模型的參量
6.5.4 實驗結(jié)果分析
6.6 本章小結(jié)
第7章 總結(jié)與展望
7.1 總結(jié)
7.1.1 本書的研究工作
7.1.2 本書的創(chuàng)新點
7.2 研究展望
參考文獻