基于集成过程神经网络的交通流动态预测方法研究与实现
| 摘要 | 第1-4页 |
| Abstract | 第4-9页 |
| 插图索引 | 第9-10页 |
| 表格索引 | 第10-11页 |
| 第1章 引言 | 第11-17页 |
| ·智能交通系统(ITS) | 第11-12页 |
| ·交通流预测介绍 | 第12-14页 |
| ·交通流预测的意义 | 第12-13页 |
| ·交通流预测的概念与分类 | 第13-14页 |
| ·本文项目背景 | 第14-15页 |
| ·本文主要工作 | 第15-16页 |
| ·文章内容安排 | 第16-17页 |
| 第2章 相关研究 | 第17-32页 |
| ·交通流的特性 | 第17-19页 |
| ·交通流的流体动力学特征 | 第18页 |
| ·交通流的不确定性 | 第18页 |
| ·交通流的自相似性 | 第18-19页 |
| ·交通流的混沌特征 | 第19页 |
| ·传统的交通流预测方法 | 第19-22页 |
| ·时间序列模型 | 第20页 |
| ·卡尔曼滤波方法 | 第20-21页 |
| ·其他方法 | 第21-22页 |
| ·过程神经元网络 | 第22-27页 |
| ·人工神经元与人工神经网络 | 第22-24页 |
| ·神经元的数学模型 | 第22-23页 |
| ·人工神经网络 | 第23-24页 |
| ·过程神经网络 | 第24-27页 |
| ·过程神经元与过程神经网络 | 第24-26页 |
| ·过程神经网络的学习 | 第26-27页 |
| ·混沌时间序列分析 | 第27-29页 |
| ·动态数据驱动的应用系统 | 第29-30页 |
| ·PeMS交通数据库 | 第30-31页 |
| ·本章小结 | 第31-32页 |
| 第3章 交通流数据的混沌预测 | 第32-43页 |
| ·交通流混沌时间序列的降噪 | 第32页 |
| ·交通流时间序列的相空间重构 | 第32-35页 |
| ·相空间重构 | 第33-34页 |
| ·C-C方法选取时间延迟τ和嵌入维m | 第34-35页 |
| ·交通流序列的lyapunov指数 | 第35-36页 |
| ·小数据量法求lyapunov指数 | 第35-36页 |
| ·基于过程神经网络的混沌交通流预测 | 第36-37页 |
| ·相空间中的过程神经网络模型 | 第36-37页 |
| ·模型的学习 | 第37页 |
| ·实验结果分析 | 第37-42页 |
| ·混沌时间序列的相空间重构 | 第37-41页 |
| ·相空间中的过程神经网络预测 | 第41-42页 |
| ·本章小结 | 第42-43页 |
| 第4章 基于集成过程神经网络的动态预测模型 | 第43-63页 |
| ·单一模型的预测结果分析 | 第43-45页 |
| ·数据的标准化和预测误差度量 | 第44页 |
| ·单一模型的误差变化情况 | 第44-45页 |
| ·基于集成过程神经网络的预测模型 | 第45-54页 |
| ·理论背景 | 第46-47页 |
| ·局部预测模型 | 第47-51页 |
| ·交通状态识别 | 第48-49页 |
| ·局部模型训练样本的生成 | 第49-50页 |
| ·局部预测模型的构造与学习 | 第50-51页 |
| ·集成过程神经网络预测模型 | 第51-52页 |
| ·集成预测模型的结果融合 | 第52-54页 |
| ·均值法 | 第52页 |
| ·局部模型动态选择法 | 第52-53页 |
| ·加权平均法 | 第53-54页 |
| ·集成预测模型的自适应学习 | 第54-56页 |
| ·预测误差的监控 | 第54-55页 |
| ·模型的批量学习与在线学习 | 第55-56页 |
| ·实验结果与分析 | 第56-62页 |
| ·交通状态的识别 | 第57-58页 |
| ·集成过程神经网络的预测 | 第58-62页 |
| ·本章小结 | 第62-63页 |
| 第5章 总结与展望 | 第63-66页 |
| ·研究问题与工作总结 | 第63-64页 |
| ·未来工作展望 | 第64-66页 |
| 参考文献 | 第66-69页 |
| 附录 A集成神经网络模型的泛化能力 | 第69-71页 |
| 致谢 | 第71-72页 |
| 在学期间的研究成果 | 第72-73页 |
