| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7-8页 |
| 1 绪论 | 第12-22页 |
| 1.1 选题背景与意义 | 第12-14页 |
| 1.1.1 选题背景 | 第12-13页 |
| 1.1.2 选题意义 | 第13-14页 |
| 1.2 国内外研究现状 | 第14-19页 |
| 1.2.1 交通流预测国内外研究现状 | 第14-17页 |
| 1.2.2 群智能优化算法国内外研究现状 | 第17-19页 |
| 1.3 论文主要研究内容 | 第19-20页 |
| 1.4 论文的组织结构 | 第20-22页 |
| 2 相关算法与模型理论基础 | 第22-30页 |
| 2.1 循环神经网络 | 第22-24页 |
| 2.1.1 BP神经网络模型 | 第22-23页 |
| 2.1.2 循环神经网络模型 | 第23-24页 |
| 2.2 人工鱼群算法 | 第24-28页 |
| 2.2.1 群智能优化算法 | 第24-25页 |
| 2.2.2 人工鱼结构模型 | 第25-27页 |
| 2.2.3 人工鱼基本行为 | 第27页 |
| 2.2.4 人工鱼群算法寻优 | 第27-28页 |
| 2.3 本章小结 | 第28-30页 |
| 3 交通流数据 | 第30-38页 |
| 3.1 交通流数据来源 | 第30-32页 |
| 3.1.1 数据来源 | 第30-31页 |
| 3.1.2 数据读取 | 第31-32页 |
| 3.2 交通流数据特性 | 第32-36页 |
| 3.2.1 不同采样时间交通流量变化图 | 第32-33页 |
| 3.2.2 交通流的随机性 | 第33-34页 |
| 3.2.3 交通流的周期相似性 | 第34-35页 |
| 3.2.4 交通流的不确定性 | 第35-36页 |
| 3.3 本章小结 | 第36-38页 |
| 4 自适应人工鱼群算法BP循环神经网络 | 第38-54页 |
| 4.1 自适应人工鱼群算法参数 | 第38-42页 |
| 4.1.1 视野Visual | 第38-40页 |
| 4.1.2 步长Step | 第40-41页 |
| 4.1.3 人工鱼总数N | 第41页 |
| 4.1.4 尝试次数Try-number | 第41-42页 |
| 4.1.5 拥挤度因子δ | 第42页 |
| 4.2 自适应人工鱼群算法的人工鱼行为 | 第42-44页 |
| 4.2.1 觅食行为 | 第42-43页 |
| 4.2.2 追尾行为 | 第43-44页 |
| 4.2.3 聚群行为 | 第44页 |
| 4.3 自适应人工鱼群算法流程 | 第44-46页 |
| 4.4 BP循环神经网络 | 第46-49页 |
| 4.4.1 BP循环神经网络结构设计思路 | 第46-48页 |
| 4.4.2 BP循环神经网络结构 | 第48-49页 |
| 4.5 自适应人工鱼群算法BP循环神经网络 | 第49-52页 |
| 4.5.1 自适应人工鱼群算法与BP循环神经网络结合的必要性 | 第50-51页 |
| 4.5.2 自适应人工鱼群算法结合BP循环神经网络 | 第51-52页 |
| 4.6 本章小结 | 第52-54页 |
| 5 自适应人工鱼群算法BP循环神经网络实现与实例验证 | 第54-78页 |
| 5.1 数据预处理 | 第54-58页 |
| 5.1.1 数据整理 | 第54-57页 |
| 5.1.2 数据的归一化与反归一化 | 第57-58页 |
| 5.2 模型实现 | 第58-59页 |
| 5.3 模型训练结果以及预测精度评价 | 第59-76页 |
| 5.3.1 模型训练结果与预测精度 | 第60-66页 |
| 5.3.2 模型预测结果比较分析 | 第66-76页 |
| 5.4 本章小结 | 第76-78页 |
| 6 结论与展望 | 第78-80页 |
| 6.1 研究主要完成内容 | 第78-79页 |
| 6.2 不足与展望 | 第79-80页 |
| 参考文献 | 第80-84页 |
| 作者简历及攻读硕士学位期间取得的研究成果 | 第84-88页 |
| 学位论文数据集 | 第88页 |
