大规模路网动态交通流预测模型和算法研究
| 摘要 | 第1-6页 |
| Abstract | 第6-10页 |
| 1 绪论 | 第10-17页 |
| ·研究背景与研究意义 | 第10-11页 |
| ·研究现状 | 第11-15页 |
| ·本文的主要工作 | 第15页 |
| ·本文的组织结构 | 第15-17页 |
| 2 路网中有检测器路段交通流预测模型和算法 | 第17-44页 |
| ·问题提出 | 第17-18页 |
| ·广义神经网络的交通流预测方法 | 第18-24页 |
| ·前馈神经网络的结构与工作原理 | 第18-19页 |
| ·误差反向传播学习算法 | 第19-22页 |
| ·广义神经网络模型及学习算法 | 第22-24页 |
| ·基于广义神经网络的有检测器路段交通流预测模型 | 第24-26页 |
| ·广义神经网络预测模型的性能指标及其影响因素剖析 | 第26-29页 |
| ·性能指标 | 第26页 |
| ·影响因素剖析 | 第26-29页 |
| ·广义神经网络预测模型的结构优化 | 第29-34页 |
| ·结构优化理论概述 | 第29-31页 |
| ·统计学习理论基础 | 第31-33页 |
| ·神经网络的VC维理论 | 第33-34页 |
| ·广义神经网络预测模型的结构优化算法 | 第34页 |
| ·广义神经网络预测模型的并行学习算法 | 第34-41页 |
| ·神经网络并行学习算法概述 | 第35-38页 |
| ·基于蝶形网络的并行神经网络学习算法 | 第38-40页 |
| ·基于蝶形网络并行学习算法的优势与不足 | 第40-41页 |
| ·实验 | 第41-44页 |
| 3 路网中无检测器路段的交通流预测模型和算法 | 第44-52页 |
| ·问题提出 | 第44页 |
| ·聚类分析技术 | 第44-48页 |
| ·聚类方法概述 | 第44-45页 |
| ·系统聚类前的数据处理 | 第45页 |
| ·亲疏程度描述 | 第45-47页 |
| ·系统聚类的工作过程 | 第47-48页 |
| ·判别分析技术 | 第48页 |
| ·无检测器路段的交通流预测模型 | 第48-49页 |
| ·实验 | 第49-52页 |
| 4 大规模路网动态交通流预测模型和算法 | 第52-59页 |
| ·问题提出 | 第52页 |
| ·提高大规模路网动态交通流预测速度的关键技术 | 第52页 |
| ·训练与预测分离 | 第52页 |
| ·多路段并行预测 | 第52页 |
| ·路网动态交通流预测模型和算法 | 第52-59页 |
| ·有检测器路段预测模型建立模块的算法 | 第54页 |
| ·无检测器路段预测模型建立模块的算法 | 第54页 |
| ·有检测器路段预测模型训练模块算法 | 第54-56页 |
| ·无检测器路段预测模型训练模块算法 | 第56页 |
| ·模型在线预测模块算法 | 第56-58页 |
| ·链路旅行时间的推算 | 第58-59页 |
| 结论 | 第59-60页 |
| 参考文献 | 第60-63页 |
| 攻读硕士学位期间发表学术论文情况 | 第63-64页 |
| 致谢 | 第64-66页 |
| 大连理工大学学位论文版权使用授权书 | 第66页 |
