| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第一章 绪论 | 第9-15页 |
| 1.1 研究背景和意义 | 第9-10页 |
| 1.2 智能交通系统简介 | 第10-11页 |
| 1.3 研究现状 | 第11-13页 |
| 1.4 本文主要工作及章节内容安排 | 第13-14页 |
| 1.5 本文的结构安排 | 第14-15页 |
| 第二章 短时交通流量预测综述 | 第15-22页 |
| 2.1 交通流量数据的特点 | 第15-16页 |
| 2.1.1 动态性 | 第15页 |
| 2.1.2 周相似性 | 第15-16页 |
| 2.1.3 相关性 | 第16页 |
| 2.2 交通流量数据预处理 | 第16-18页 |
| 2.2.1 交通数据故障识别 | 第17-18页 |
| 2.2.2 故障数据处理 | 第18页 |
| 2.3 短时交通流量预测概述 | 第18-21页 |
| 2.3.1 历史平均预测 | 第18-19页 |
| 2.3.2 自回归滑动平均预测方法 | 第19页 |
| 2.3.3 卡尔曼（Kalman）滤波模型 | 第19页 |
| 2.3.4. 非参数回归预测方法 | 第19-20页 |
| 2.3.5 灰色理论预测 | 第20页 |
| 2.3.6 流体力学模型预测方法 | 第20-21页 |
| 2.3.7 综合模型(Integrated Model)预测方法 | 第21页 |
| 2.4 本章小结 | 第21-22页 |
| 第三章 基于 ARMA 和神经网络的交通流量短时预测 | 第22-41页 |
| 3.1 自回归滑动平均模型 ARMA（p,q） | 第22-26页 |
| 3.1.1 自回归模型 AR(p) | 第22-23页 |
| 3.1.2 滑动平均模型 MA(q) | 第23页 |
| 3.1.3 自回归移动平均模型 ARMA(p ,q) | 第23页 |
| 3.1.4 ARMA(p ,q)模型的识别 | 第23-25页 |
| 3.1.5 模型参数估计 | 第25-26页 |
| 3.2 人工神经网络 | 第26-32页 |
| 3.2.1 神经网络基本原理 | 第27页 |
| 3.2.2 神经元 | 第27-28页 |
| 3.2.3 激活函数 | 第28-30页 |
| 3.2.4 神经网络结构 | 第30-31页 |
| 3.2.5 神经网络学习方式 | 第31-32页 |
| 3.3 BP 神经网络基本原理 | 第32-35页 |
| 3.3.1 BP 神经网络结构 | 第32页 |
| 3.3.2 BP 神经网络算法 | 第32-35页 |
| 3.4 RBF 神经网络 | 第35-36页 |
| 3.4.1 RBF 神经网络的结构 | 第35-36页 |
| 3.4.2 RBF 神经网络学习过程 | 第36页 |
| 3.5 小波神经网络 | 第36-40页 |
| 3.5.1 小波神经网络结构 | 第37-38页 |
| 3.5.2 小波神经网络算法 | 第38-40页 |
| 3.6 本章小结 | 第40-41页 |
| 第四章 基于混沌和模糊神经网络的交通流量短时预测 | 第41-55页 |
| 4.1 混沌 | 第41-42页 |
| 4.1.1 认识混沌 | 第41页 |
| 4.1.2 混沌的定义 | 第41-42页 |
| 4.2 混沌时间序列 | 第42-43页 |
| 4.3 混沌时间序列的相空间重构 | 第43-44页 |
| 4.4 嵌入时间延迟τ和嵌入维数DE 的选取 | 第44-48页 |
| 4.4.1 嵌入时间延迟τ | 第45-46页 |
| 4.4.2 嵌入维数DE | 第46-47页 |
| 4.4.3 Lyapunov 指数 | 第47-48页 |
| 4.5 模糊逻辑系统基本理论 | 第48-50页 |
| 4.5.1 模糊集合 | 第48-49页 |
| 4.5.2 隶属函数 | 第49页 |
| 4.5.3 逻辑运算 | 第49-50页 |
| 4.5.4 模糊规则 | 第50页 |
| 4.6 ANFIS | 第50-53页 |
| 4.7 基于混沌和模糊神经网络的预测模型 | 第53-54页 |
| 4.8 本章小结 | 第54-55页 |
| 第五章 基于城市道路的短时交通流量预测仿真实例 | 第55-76页 |
| 5.1 模型分析方法 | 第55-56页 |
| 5.2 交通流量数据来源 | 第56-57页 |
| 5.3 基于 ARMA 的实例仿真 | 第57-61页 |
| 5.3.1 建模流程 | 第57页 |
| 5.3.2 仿真流程 | 第57-61页 |
| 5.4 基于神经网络的实例仿真 | 第61-69页 |
| 5.4.1 输入数据的预处理 | 第61页 |
| 5.4.2 预测模型结构 | 第61-62页 |
| 5.4.3 基于 BP 神经网络的实例预测 | 第62-64页 |
| 5.4.4 基于 RBF 神经网络的实例预测 | 第64-66页 |
| 5.4.5 基于小波神经网络的实例预测 | 第66-69页 |
| 5.5 基于混沌和模糊神经网络的短时交通流预测 | 第69-73页 |
| 5.5.1 时间序列混沌分析 | 第69-70页 |
| 5.5.2 模糊神经网络训练 | 第70-71页 |
| 5.5.3 模糊神经网络预测 | 第71-73页 |
| 5.6 选用不同预测模型的预测误差比较 | 第73-74页 |
| 5.7 本章小结 | 第74-76页 |
| 总结与展望 | 第76-78页 |
| 参考文献 | 第78-82页 |
| 致谢 | 第82页 |
