| 中文摘要 | 第1-4页 |
| 英文摘要 | 第4-8页 |
| 1 绪论 | 第8-16页 |
| ·问题的研究意义 | 第8-9页 |
| ·国内外研究现状 | 第9-14页 |
| ·交通量预测的研究现状 | 第9-12页 |
| ·神经网络预测模型和灰色预测模型的研究现状 | 第12-14页 |
| ·论文的研究思路及研究内容 | 第14-16页 |
| ·研究思路 | 第14页 |
| ·研究内容 | 第14-16页 |
| 2 相关知识 | 第16-37页 |
| ·交通量数据的特点 | 第16页 |
| ·人工神经网络基本理论 | 第16-31页 |
| ·人工神经网络概述 | 第16-19页 |
| ·传统BP 神经网络 | 第19-22页 |
| ·贝叶斯正则化神经网络 | 第22-27页 |
| ·小波神经网络 | 第27-31页 |
| ·灰色理论及其预测模型 | 第31-37页 |
| ·GM(1,1)建模过程及其缺陷 | 第32-35页 |
| ·无偏GM(1,1)模型及其预测优势 | 第35-37页 |
| 3 无偏 GM(1,1)—贝叶斯正则化神经网络交通量组合预测模型 | 第37-41页 |
| ·问题描述与预测模型建模思想 | 第37页 |
| ·建立观测数据无偏GM(1,1)模型 | 第37页 |
| ·产生贝叶斯正则化神经网络的训练样本 | 第37-38页 |
| ·贝叶斯正则化神经网络模型 | 第38-39页 |
| ·预测模型 | 第39页 |
| ·算例分析 | 第39-41页 |
| 4 灰色技术与小波神经网络融合的多因素交通量预测模型 | 第41-46页 |
| ·问题描述与预测模型建模思想 | 第41页 |
| ·交通量影响因素观测数据灰化模型 | 第41-42页 |
| ·小波神经网络模型 | 第42-43页 |
| ·预测模型 | 第43页 |
| ·算例分析 | 第43-46页 |
| 5 结论与展望 | 第46-47页 |
| ·结论 | 第46页 |
| ·展望 | 第46-47页 |
| 致谢 | 第47-48页 |
| 参考文献 | 第48-52页 |
| 附录 | 第52页 |