摘要 | 第4-5页 |
Abstract | 第5页 |
第一章 绪论 | 第9-18页 |
1.1 研究背景及意义 | 第9-10页 |
1.2 国内外研究现状 | 第10-15页 |
1.2.1 统计预测模型 | 第11-12页 |
1.2.2 人工智能及其组合预测模型 | 第12-14页 |
1.2.3 非线性系统理论预测模型 | 第14页 |
1.2.4 其它预测模型 | 第14-15页 |
1.3 本文主要研究内容与章节安排 | 第15-18页 |
第二章 短时交通流预测理论基础 | 第18-24页 |
2.1 短时交通流预测概念 | 第18页 |
2.2 交通流基本参数 | 第18-20页 |
2.3 短时交通流特性分析 | 第20-21页 |
2.3.1 交通流不确定性 | 第20-21页 |
2.3.2 交通流时变性 | 第21页 |
2.3.3 交通流周期性 | 第21页 |
2.3.4 交通流自相似性 | 第21页 |
2.4 短时交通流建模原则 | 第21-22页 |
2.5 预测模型评价准则 | 第22-23页 |
2.6 本章小结 | 第23-24页 |
第三章 短时交通流预测算法分析 | 第24-36页 |
3.1 人工神经网络 | 第24-28页 |
3.1.1 人工神经网络概述 | 第24-25页 |
3.1.2 人工神经网络特点 | 第25页 |
3.1.3 人工神经网络结构 | 第25-26页 |
3.1.4 Elman神经网络 | 第26-28页 |
3.2 深度学习 | 第28-35页 |
3.2.1 深度学习概述 | 第28-29页 |
3.2.2 深度学习训练过程 | 第29-30页 |
3.2.3 深度学习常用模型 | 第30-35页 |
3.3 本章小节 | 第35-36页 |
第四章 基于自适应GA-Elman神经网络的短时交通流预测 | 第36-47页 |
4.1 数据预处理 | 第36-37页 |
4.1.1 差分数据平滑法 | 第36页 |
4.1.2 最大最小法处理 | 第36-37页 |
4.2 自适应Elman神经网络结构的设计 | 第37-39页 |
4.2.1 隐含层的选取 | 第37页 |
4.2.2 隐含层节点数的自适应调节 | 第37-39页 |
4.3 GA-Elman神经网络的构建 | 第39-43页 |
4.3.1 遗传算法(GeneticAlgorithm) | 第39-41页 |
4.3.2 GA-Elman神经网络 | 第41-43页 |
4.4 实例分析 | 第43-46页 |
4.4.1 Elman神经网络隐含层层数的选择 | 第43-44页 |
4.4.2 自适应隐含层节点数的选择 | 第44-45页 |
4.4.3 实验结果及分析 | 第45-46页 |
4.5 本章小节 | 第46-47页 |
第五章 基于谱分析与DBN-Elman神经网络的短时交通流预测 | 第47-58页 |
5.1 基于谱分析的交通流数据分解 | 第47-49页 |
5.1.1 谱分析基本原理 | 第47-48页 |
5.1.2 基于谱分析的交通流分解 | 第48-49页 |
5.2 DBN-Elman短时交通流预测模型 | 第49-51页 |
5.2.1 DBN模型 | 第49-50页 |
5.2.2 DBN-Elman神经网络的短时交通流预测模型 | 第50-51页 |
5.3 实例分析 | 第51-57页 |
5.3.1 频谱阈值的选取 | 第52-54页 |
5.3.2 DBN隐含层节点的选取 | 第54-55页 |
5.3.3 实验结果及分析 | 第55-57页 |
5.4 本章小节 | 第57-58页 |
第六章 总结与展望 | 第58-60页 |
6.1 总结 | 第58-59页 |
6.2 展望 | 第59-60页 |
参考文献 | 第60-64页 |
致谢 | 第64-65页 |
攻读学位期间取得的研究成果 | 第65-66页 |