| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 1 绪论 | 第9-15页 |
| 1.1 课题研究目的和意义 | 第9-10页 |
| 1.1.1 课题研究的目的 | 第9-10页 |
| 1.1.2 课题研究的意义 | 第10页 |
| 1.2 国内外研究现状 | 第10-13页 |
| 1.3 论文的研究内容及基础路线 | 第13-15页 |
| 2 高速公路短时交通量数据采集与处理 | 第15-20页 |
| 2.1 短时交通量预测的基本思想 | 第15页 |
| 2.2 短时交通量预测数据的采集、特点与处理 | 第15-16页 |
| 2.2.1 交通流量的采集 | 第15页 |
| 2.2.2 交通流量的特点分析 | 第15-16页 |
| 2.3 短时交通流量数据预处理 | 第16-17页 |
| 2.3.1 故障数据的识别与处理 | 第16页 |
| 2.3.2 预测数据归一化处理 | 第16-17页 |
| 2.4 本文数据来源 | 第17-19页 |
| 2.5 本章小结 | 第19-20页 |
| 3 短时交通流时间序列的混沌特性判别及相空间重构 | 第20-27页 |
| 3.1 混沌理论简介 | 第20页 |
| 3.2 相空间重构 | 第20-24页 |
| 3.2.1 时间延迟和嵌入维数的选取 | 第21页 |
| 3.2.2 C-C算法计算延迟时间和嵌入维数 | 第21-23页 |
| 3.2.3 实测数据相空间重构 | 第23-24页 |
| 3.3 短时交通量的混沌判别 | 第24-26页 |
| 3.3.1 短时交通量混沌判别方法介绍 | 第24页 |
| 3.3.2 最大李雅普诺夫指数的计算 | 第24-25页 |
| 3.3.3 实测数据最大Lyapunov指数的计算 | 第25-26页 |
| 3.4 本章小结 | 第26-27页 |
| 4 基于神经网络的高速公路短时交通量预测 | 第27-38页 |
| 4.1 人工神经网络介绍 | 第27页 |
| 4.2 小波神经网络预测模型 | 第27-29页 |
| 4.2.1 小波的定义 | 第27-28页 |
| 4.2.2 小波神经网络概述 | 第28页 |
| 4.2.3 小波神经网络激励函数及隐层神经元数目的确定 | 第28-29页 |
| 4.3 小波神经网络预测模型建立 | 第29-34页 |
| 4.3.1 小波神经网络拓扑结构 | 第29-30页 |
| 4.3.2 小波神经网络预测模型建立 | 第30-32页 |
| 4.3.3 实例分析 | 第32-34页 |
| 4.4 RBF神经网络 | 第34-37页 |
| 4.4.1 RBF神经网络介绍 | 第34-35页 |
| 4.4.2 RBF神经网络算法 | 第35页 |
| 4.4.3 实例分析 | 第35-37页 |
| 4.5 本章小结 | 第37-38页 |
| 5 基于遗传算法改进的神经网络预测模型 | 第38-48页 |
| 5.1 遗传算法 | 第38-40页 |
| 5.1.1 遗传算法概述 | 第38-39页 |
| 5.1.2 遗传算法基本流程 | 第39-40页 |
| 5.2 基于遗传算法改进的小波神经网络短时交通量预测模型 | 第40-43页 |
| 5.2.1 遗传算法改进小波神经网络的流程 | 第40-41页 |
| 5.2.2 预测结果分析 | 第41-43页 |
| 5.3 基于遗传算法改进的RBF神经网络短时交通量预测模型 | 第43-47页 |
| 5.3.1 遗传算法改进流程 | 第43-45页 |
| 5.3.2 预测结果分析 | 第45-47页 |
| 5.4 本章小结 | 第47-48页 |
| 6 总结与展望 | 第48-50页 |
| 致谢 | 第50-51页 |
| 参考文献 | 第51-55页 |
| 攻读学位期间的研究成果 | 第55页 |
