大概读了一下，第6节小波分析那里实在没有看懂。
如果有理解不对的地方欢迎批评指正。
建模方法
这篇论文选用的是时间序列模型和小波理论，小波理论那里我实在没看懂，说说他基于时间序列模型的组合建模方法，这是选择时间序列模型的理由：
作者是将整个交通流数据分解为四个分项（即从四个角度去看待的交通流数据）：周期分项、趋势分项、线性分项和非线性分项：
其中周期分项就是交通流呈现出的周期性（比如每天肯定会有早晚高峰、每周肯定都是周末车流量大，交通流肯定是呈周期性变化的，每个周期之间都会有相似性）。用的是谱分析，也就是空间坐标系到极坐标系上的分解：
趋势特征就是每天肯定都会有早、晚高峰，高峰期车流量会比非高峰期大，这就是数据的趋势。
周期分项和趋势分项都是从宏观上看数据，和数据样本的属性关系比较大（可能大城市高峰期时间更长，小城市高峰期时间更短），你换一组别的地方的交通流数据，可能就会有过拟合的问题，属于不同样本自带的属性，对于训练可以运用于多个交通流样本的泛化模型是不利的。
所以我们把他去掉，然后分析线性分项和非线性分项。
线性分项适用于非高峰期数据，这里的数据比较平稳，实质上是对序列均值的分析；而非线性分项主要用于分析高峰期数据，这里的数据波动情况较大。
得出的结论：
其中周期和趋势具有长相关性，我的理解就是这两项是宏观的，是和数据样本本身的情况密切相关的，可能对于这一组数据是一个情况，对于另一组数据就是另一种情况了。而线性和非线性分项是微观的，是与数据样本相对独立的，较为纯粹的“交通流”的、内在的。所以周期和趋势由于其与数据样本的高相关性、会削弱模型对于不同样本数据的泛化能力。
数据预处理
主要是两点：
1.指数平滑法处理缺失值和异常值：
2.min-max归一化与z-score归一化
z-score归一化由于考虑到了方差，相比min-max归一化能够更好的处理极值过分影响整体数据的情况
定义
1.基础量：交通流量
2.占有率，其实就是观测时间内有车通过的时间占比：
