| 摘要 | 第1-5页 |
| ABSTRACT | 第5-6页 |
| 目录 | 第6-9页 |
| 第一章 绪论 | 第9-15页 |
| ·研究背景 | 第9-10页 |
| ·道路交通事故预测的目的、意义及步骤 | 第10-13页 |
| ·本论文主要研究内容 | 第13-15页 |
| 第二章 道路交通事故预测方法国内外研究现状 | 第15-27页 |
| ·时间序列预测法 | 第15-18页 |
| ·简单平均法 | 第15-16页 |
| ·指数平滑法 | 第16-17页 |
| ·趋势外推法 | 第17-18页 |
| ·灰色预测 | 第18-20页 |
| ·灰色预测的基本思路 | 第18页 |
| ·GM(1,1)模型的建立方法与步骤 | 第18-20页 |
| ·灰色预测优缺点 | 第20页 |
| ·回归分析预测法 | 第20-23页 |
| ·预测步骤 | 第20-21页 |
| ·多元线性回归方程模型 | 第21-22页 |
| ·非线性回归分析 | 第22-23页 |
| ·BP神经网络预测法 | 第23-27页 |
| ·BP神经网络模型 | 第24-25页 |
| ·BP神经网络程序的实现 | 第25-27页 |
| 第3章 基于主成分分析的道路交通事故预测 | 第27-50页 |
| ·主成分分析(PRINCIPAL COMPONENT ANALYSIS) | 第27-33页 |
| ·主成分分析的基本思想与理论 | 第27-28页 |
| ·主成分分析的几何意义 | 第28-30页 |
| ·样本主成分的导出 | 第30-32页 |
| ·主成分分析步骤及框图 | 第32-33页 |
| ·主成分分析的上机实现 | 第33-34页 |
| ·道路交通事故影响因素主成分分析 | 第34-40页 |
| ·主成分分析的指标选取 | 第34-35页 |
| ·主成分分析在SPSS的实现步骤 | 第35-40页 |
| ·基于BP神经网络的事故预测 | 第40-44页 |
| ·网络样本的选取 | 第40页 |
| ·学习样本的预处理 | 第40-41页 |
| ·神经网络隐层个数及隐层神经元个数的确定 | 第41-43页 |
| ·预测结果的输出 | 第43页 |
| ·预测结果的反归一化处理 | 第43-44页 |
| ·基于主成分分析的BP神经网络的事故预测 | 第44-47页 |
| ·样本的选取 | 第44页 |
| ·学习样本的预处理 | 第44页 |
| ·神经网络隐层个数及隐层神经元个数的确定 | 第44-46页 |
| ·预测结果的输出 | 第46页 |
| ·预测结果的反归一化处理 | 第46-47页 |
| ·事故起数预测结果对比 | 第47页 |
| ·死亡人数预测结果对比 | 第47-50页 |
| 第4章 基于聚类分析的道路交通事故预测 | 第50-69页 |
| ·聚类分析 | 第50-53页 |
| ·聚类分析的概念 | 第50页 |
| ·聚类分析的一般步骤 | 第50-51页 |
| ·聚类分析衡量指标 | 第51-52页 |
| ·常用的聚类方法 | 第52-53页 |
| ·基于聚类分析的城市类型化 | 第53-57页 |
| ·类型化指标的选择 | 第53-54页 |
| ·基于SPSS的聚类分析实现 | 第54-57页 |
| ·平稳递减型 | 第57-61页 |
| ·传统时间序列预测 | 第57-58页 |
| ·回归模型预测 | 第58-59页 |
| ·GM(1,1)模型预测 | 第59-60页 |
| ·BP神经网络预测 | 第60-61页 |
| ·预测结果分析(平稳递减型) | 第61页 |
| ·先增后减型 | 第61-65页 |
| ·传统时间序列预测 | 第61-62页 |
| ·回归模型预测 | 第62-63页 |
| ·GM(1,1)模型预测 | 第63页 |
| ·BP神经网络预测 | 第63-64页 |
| ·预测结果分析(先增后减型) | 第64-65页 |
| ·波动型 | 第65-69页 |
| ·传统时间序列 | 第65页 |
| ·回归模型预测 | 第65-66页 |
| ·GM(1,1)模型预测 | 第66-67页 |
| ·BP神经网络预测 | 第67-68页 |
| ·预测结果分析(波动型) | 第68-69页 |
| 第5章 结论与展望 | 第69-71页 |
| ·本文的主要工作及创新点 | 第69-70页 |
| ·有待进一步研究的问题 | 第70-71页 |
| 致谢 | 第71-72页 |
| 参考文献 | 第72-75页 |
| 硕士期间科研工作和发表的论文 | 第75页 |