| 摘要 | 第3-4页 |
| abstract | 第4页 |
| 1.绪论 | 第7-13页 |
| 1.1 研究背景及意义 | 第7-8页 |
| 1.2 国内外研究现状 | 第8-10页 |
| 1.2.1 短时交通流预测国外研究现状 | 第8-9页 |
| 1.2.2 短时交通流预测国内研究现状 | 第9-10页 |
| 1.2.3 国内外研究现状评述 | 第10页 |
| 1.3 研究内容及技术路线 | 第10-13页 |
| 1.3.1 研究内容 | 第10-11页 |
| 1.3.2 研究方法 | 第11-12页 |
| 1.3.3 技术路线 | 第12-13页 |
| 2.城市道路交通信息采集及预处理 | 第13-20页 |
| 2.1 城市道路交通数据采集技术 | 第13-16页 |
| 2.1.1 固定型采集技术 | 第13-15页 |
| 2.1.2 移动型采集技术 | 第15-16页 |
| 2.1.3 采集技术的发展趋势 | 第16页 |
| 2.2 数据融合技术 | 第16-17页 |
| 2.2.1 数据融合及交通数据融合的含义 | 第16页 |
| 2.2.2 交通数据融合的必要性 | 第16页 |
| 2.2.3 交通数据融合的应用领域 | 第16-17页 |
| 2.3 交通流数据的预处理 | 第17-19页 |
| 2.3.1 交通流数据的故障识别 | 第17-18页 |
| 2.3.2 交通流数据的故障修复 | 第18页 |
| 2.3.3 数据归一化处理 | 第18-19页 |
| 2.4 本章小结 | 第19-20页 |
| 3.短时交通流量预测模型的构建 | 第20-27页 |
| 3.1 短时交通流量的BP神经网络预测模型 | 第20-23页 |
| 3.1.1 短时交通流量预测模型的网络结构 | 第20页 |
| 3.1.2 短时交通流量预测模型的网络参数设置 | 第20-22页 |
| 3.1.3 短时交通流量预测模型的网络训练 | 第22-23页 |
| 3.2 短时交通流量的灰色BP神经网络预测模型 | 第23-25页 |
| 3.2.1 灰色BP神经网络预测模型的原理 | 第23-24页 |
| 3.2.2 灰色BP神经网络预测模型训练流程 | 第24-25页 |
| 3.3 模型预测评价指标 | 第25-26页 |
| 3.4 本章小结 | 第26-27页 |
| 4.城市道路交通流量短时预测 | 第27-49页 |
| 4.1 短时交通流量理论基础 | 第27-30页 |
| 4.1.1 短时交通流预测概念 | 第27页 |
| 4.1.2 交通流基本参数 | 第27-29页 |
| 4.1.3 交通流特性分析 | 第29-30页 |
| 4.2 交通流量的数据来源 | 第30页 |
| 4.3 基于路段的短时交通流量预测模型 | 第30-40页 |
| 4.3.1 基于同日交通流数据的路段预测模型 | 第30-37页 |
| 4.3.2 基于前几日交通流数据的路段预测模型 | 第37-39页 |
| 4.3.3 模型预测性能评价与分析 | 第39-40页 |
| 4.4 基于交叉口的短时交通流量预测模型 | 第40-47页 |
| 4.4.1 基于同日交通流数据的交叉口预测模型 | 第40-45页 |
| 4.4.2 基于前几日交通流数据的交叉口预测模型 | 第45-47页 |
| 4.4.3 模型预测性能评价与分析 | 第47页 |
| 4.5 本章小结 | 第47-49页 |
| 5.结论与展望 | 第49-51页 |
| 5.1 结论 | 第49页 |
| 5.2 展望 | 第49-51页 |
| 参考文献 | 第51-56页 |
| 附录 | 第56-64页 |
| 附录A 宝山南路(观水路口-蟠桃宫)路段的交通流量数据 | 第56-58页 |
| 附录B 贵阳大十字交叉路口的交通流量数据 | 第58-60页 |
| 附录C 基于BP神经网络的程序代码 | 第60-61页 |
| 附录D 基于灰色BP神经网络的程序代码 | 第61-64页 |
| 致谢 | 第64-65页 |
| 攻读硕士学位期间科研成果 | 第65页 |