| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第9-14页 |
| 1.1 研究背景及意义 | 第9-10页 |
| 1.1.1 研究背景 | 第9页 |
| 1.1.2 研究意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-12页 |
| 1.3 本文主要内容 | 第12-13页 |
| 1.4 本文主要创新点 | 第13-14页 |
| 第2章 交通流量数据分析与预处理 | 第14-23页 |
| 2.1 短时交通流特性分析 | 第14页 |
| 2.2 短时交通流特征参数 | 第14页 |
| 2.3 交通流预测性能相关评价指标 | 第14-15页 |
| 2.4 交通流量数据集介绍 | 第15-17页 |
| 2.5 数据预处理 | 第17-22页 |
| 2.5.1 数据解压及聚合 | 第17页 |
| 2.5.2 数据修复 | 第17-18页 |
| 2.5.3 数据小波降噪 | 第18-19页 |
| 2.5.4 交通流数据的混沌特性判定与相空间重构 | 第19-21页 |
| 2.5.5 交通流数据归一化 | 第21-22页 |
| 2.6 本章小结 | 第22-23页 |
| 第3章 基于WNN的短时交通流预测 | 第23-33页 |
| 3.1 小波变换原理及特点 | 第23-24页 |
| 3.2 小波神经网络 | 第24-27页 |
| 3.2.1 小波神经网络结构 | 第24-25页 |
| 3.2.2 小波神经网络相关参数确定 | 第25页 |
| 3.2.3 小波神经网络学习过程 | 第25-27页 |
| 3.3 基于WNN的短时交通流预测 | 第27-32页 |
| 3.3.1 实验仿真数据说明 | 第27页 |
| 3.3.2 基于WNN的短时交通流预测流程 | 第27-28页 |
| 3.3.3 实验结果及分析 | 第28-32页 |
| 3.4 本章小结 | 第32-33页 |
| 第4章 基于ICSO-WNN的短时交通流预测 | 第33-49页 |
| 4.1 CSO算法 | 第33-35页 |
| 4.1.1 CSO原理 | 第33-34页 |
| 4.1.2 CSO算法流程 | 第34-35页 |
| 4.2 基于CSO-WNN的短时交通流预测 | 第35-43页 |
| 4.2.1 CSO算法参数设置 | 第35-36页 |
| 4.2.2 基于CSO-WNN的短时交通流预测步骤及流程 | 第36-37页 |
| 4.2.3 实验结果及分析 | 第37-41页 |
| 4.2.4 三种群智能算法在短时交通流预测中的性能对比分析 | 第41-43页 |
| 4.3 基于ICSO-WNN的短时交通流预测 | 第43-48页 |
| 4.3.1 CSO的改进 | 第43-45页 |
| 4.3.2 实验结果及分析 | 第45-48页 |
| 4.4 本章小结 | 第48-49页 |
| 第5章 基于ICSO-WNN-RBF的短时交通流预测 | 第49-60页 |
| 5.1 分解原理 | 第49-50页 |
| 5.2 RBF神经网络 | 第50-52页 |
| 5.2.1 RBF神经网络结构 | 第50-51页 |
| 5.2.2 RBF神经网络的相关参数确定 | 第51页 |
| 5.2.3 RBF神经网络的学习过程 | 第51-52页 |
| 5.3 组合模型ICSO-WNN-RBF预测步骤及流程 | 第52-59页 |
| 5.3.1 预测步骤 | 第52-55页 |
| 5.3.2 实验结果及分析 | 第55-59页 |
| 5.4 本章小结 | 第59-60页 |
| 结论 | 第60-61页 |
| 致谢 | 第61-62页 |
| 参考文献 | 第62-66页 |
