| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第12-18页 |
| 1.1 研究背景及意义 | 第12-13页 |
| 1.2 研究现状 | 第13-16页 |
| 1.3 本文工作 | 第16页 |
| 1.4 本文结构 | 第16-18页 |
| 第2章 短时交通流量预测理论基础 | 第18-25页 |
| 2.1 短时交通流量预测的基本概念 | 第18页 |
| 2.2 交通流特性分析 | 第18-20页 |
| 2.2.1 交通流不确定性 | 第18-19页 |
| 2.2.2 交通流的随机性和时变性其他特性 | 第19页 |
| 2.2.3 交通流的周期性 | 第19-20页 |
| 2.2.4 交通流的长程相关性和内在相关性 | 第20页 |
| 2.3 短时交通流量预测建模原则 | 第20-21页 |
| 2.4 交通流预测各类方法比较及适应性分析 | 第21-22页 |
| 2.4.1 交通流预测常用方法及对比分析 | 第21-22页 |
| 2.4.2 小波神经网络应用于交通流预测的适用性分析 | 第22页 |
| 2.5 交通流量预测评价指标 | 第22-23页 |
| 2.6 本章小结 | 第23-25页 |
| 第3章 小波神经网络短时交通流量预测模型的构建及数据预处理 | 第25-41页 |
| 3.1 神经网络和小波分析基本理论 | 第25-26页 |
| 3.1.1 神经网络基本概述 | 第25页 |
| 3.1.2 小波理论 | 第25-26页 |
| 3.2 小波神经网络预测模型 | 第26-33页 |
| 3.2.1 小波神经网络结构和功能 | 第26-27页 |
| 3.2.2 小波神经网络网络层数及各层神经元个数确定 | 第27-31页 |
| 3.2.3 小波神经网络激活函数的选择 | 第31-32页 |
| 3.2.4 小波神经网络的学习算法 | 第32-33页 |
| 3.3 本文实验数据来源 | 第33-34页 |
| 3.4 数据预处理 | 第34-38页 |
| 3.4.1 异常数据及缺失数据预处理模型 | 第35-37页 |
| 3.4.2 噪声数据预处理模型 | 第37-38页 |
| 3.4.3 数据归一化处理 | 第38页 |
| 3.5 实验 | 第38-40页 |
| 3.6 本章小结 | 第40-41页 |
| 第4章 基于遗传算法优化的WNN短时交通预测 | 第41-50页 |
| 4.1 遗传算法简介 | 第41-43页 |
| 4.1.1 遗传算法的几个基本概念 | 第41-42页 |
| 4.1.2 遗传算法基本流程 | 第42-43页 |
| 4.2 传统遗传算法的不足与改进 | 第43-45页 |
| 4.3 基于遗传算法的小波神经网络预测模型 | 第45-47页 |
| 4.4 实验 | 第47-49页 |
| 4.5 本章小结 | 第49-50页 |
| 第5章 基于误差预测的小波神经网络预测模型 | 第50-60页 |
| 5.1 时间序列模型相关理论 | 第50-51页 |
| 5.2 时间序列误差预测模型的建立 | 第51-54页 |
| 5.3 误差修正的小波神经网络模型 | 第54-55页 |
| 5.4 实验 | 第55-59页 |
| 5.5 本章小结 | 第59-60页 |
| 结论 | 第60-62页 |
| 参考文献 | 第62-67页 |
| 致谢 | 第67-68页 |
| 附录A 攻读学位期间所发表的学术论文目录 | 第68-69页 |
| 附录B 攻读硕士学位期间所参与的科研活动 | 第69页 |
