第一个书签之前
交通领域下在线集成时间序列预测方法及应用研究
学位论文原创性声明和学位论文版权使用授权书
摘 要
Abstract
目 录
插图索引
附表索引
1 绪论
1.1 研究背景和意义
1.2 国内外研究现状
1.3 时间序列预测中的关键问题
1.4 论文的研究内容
2 时间序列预测及其相关模型
2.1 时间序列预测问题描述
2.2 相关模型介绍
2.3 现有在线集成学习方法的不足与发展前景
2.4 本章小结
3 基于非参数核平滑的在线集成回归模型
3.1 引言
3.2 基于拓扑学习的核密度回归和 Adaboost 算法简介
3.3 非参数在线集成核平滑回归框架
3.4 对比实验
3.5 本章小结
4 基于分类型损失函数的增量回归预测模型
4.1 引言
4.2 SVM 和 Learn++ 模型简介
4.3 基于 SVR 和 Learn++ 的在线集成回归算法框架设计
4.4 基于 R2C 和 Learn++ 的回归算法实现
4.5 对比实验研究
4.6 本章小结
5 基于在线迁移回归的集成位置预测模型
5.1 引言
5.2 问题描述和算法简介
5.3 基于在线迁移学习的车辆位置预测模型
5.4 在线迁移回归算法设计和实现
5.5 对比实验
5.6 本章小结
6 基于自适应加权策略的在线集成 LSTM 预测模型
6.1 引言
6.2 LSTM 神经网络基础简介
6.3 基于 R2C 的 LSTM 分类类型损失
6.4 在线集成 LSTM 模型设计
6.5 对比实验研究
6.6 本章小结
结 论
本文工作总结
工作展望
参考文献
附 录
攻读博士期间发表学术论文
致 谢
湖南大学;