| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第9-16页 |
| 1.1 研究背景及意义 | 第9-10页 |
| 1.2 可用停车位预测的研究现状 | 第10-13页 |
| 1.2.1 单步预测 | 第11-12页 |
| 1.2.2 多步预测 | 第12-13页 |
| 1.3 本文的主要工作 | 第13-14页 |
| 1.4 本文的组织结构 | 第14-16页 |
| 第2章 可用停车位数据特性分析 | 第16-24页 |
| 2.1 可用停车位基础数据及预处理 | 第16-18页 |
| 2.1.1 数据源介绍 | 第16-18页 |
| 2.1.2 数据清洗及预处理 | 第18页 |
| 2.2 可用停车位基本特征的观测 | 第18-20页 |
| 2.2.1 宏观观测 | 第18-19页 |
| 2.2.2 微观观测 | 第19-20页 |
| 2.3 可用停车位混沌特征的判定 | 第20-21页 |
| 2.4 可用停车位时间分布特征的分析 | 第21-23页 |
| 2.5 本章小结 | 第23-24页 |
| 第3章 基于LSTM神经网络的可用停车位预测模型 | 第24-44页 |
| 3.1 LSTM神经网络 | 第24-31页 |
| 3.1.1 LSTM神经网络的基本结构与特征 | 第25-28页 |
| 3.1.2 LSTM神经网络的关键参数 | 第28页 |
| 3.1.3 LSTM神经网络预测算法的流程 | 第28-31页 |
| 3.2 基于LSTM神经网络的可用停车位单步预测模型 | 第31-38页 |
| 3.2.1 LSTM神经网络可用停车位单步预测模型 | 第31-32页 |
| 3.2.2 模型性能的评价指标 | 第32-33页 |
| 3.2.3 单步预测的实验结果与分析 | 第33-35页 |
| 3.2.4 模型预测精度的分析 | 第35-38页 |
| 3.3 基于LSTM神经网络的可用停车位多步预测模型 | 第38-42页 |
| 3.3.1 多步预测方法 | 第38-39页 |
| 3.3.2 LSTM神经网络可用停车位多步预测模型 | 第39-40页 |
| 3.3.3 多步预测的实验结果与分析 | 第40-41页 |
| 3.3.4 模型预测精度的分析 | 第41-42页 |
| 3.4 本章小结 | 第42-44页 |
| 第4章 基于LSTM-LE的可用停车位预测模型 | 第44-51页 |
| 4.1 基于最大李亚普诺夫指数法的可用停车位预测分析 | 第44-47页 |
| 4.1.1 最大李亚普诺夫指数 | 第44-45页 |
| 4.1.2 最大李亚普诺夫指数预测法 | 第45页 |
| 4.1.3 单步预测的实验结果与分析 | 第45-46页 |
| 4.1.4 多步预测的实验结果与分析 | 第46-47页 |
| 4.2 基于LSTM-LE的可用停车位多步预测模型 | 第47-50页 |
| 4.2.1 LSTM-LE 可用停车位多步预测模型 | 第47-48页 |
| 4.2.2 多步预测的实验结果与分析 | 第48-49页 |
| 4.2.3 特殊日子多步预测的实验结果与分析 | 第49-50页 |
| 4.3 本章小结 | 第50-51页 |
| 第5章 总结与展望 | 第51-54页 |
| 5.1 本文主要研究内容与成果 | 第51-52页 |
| 5.2 未来工作展望 | 第52-54页 |
| 致谢 | 第54-55页 |
| 参考文献 | 第55-59页 |
| 攻读硕士学位期间的主要研究成果 | 第59页 |
