| 摘要 | 第1-5页 |
| Abstract | 第5-9页 |
| 第1章 绪论 | 第9-15页 |
| ·交通流预测研究的背景及意义 | 第9-10页 |
| ·国内外研究现状 | 第10-13页 |
| ·主要研究内容及框架结构 | 第13-15页 |
| ·本文主要研究内容 | 第13-14页 |
| ·论文结构安排 | 第14-15页 |
| 第2章 交通流预测分析 | 第15-30页 |
| ·交通流预测基本概念 | 第15-16页 |
| ·交通流预测的分类 | 第15页 |
| ·短时交通流特性 | 第15-16页 |
| ·短时交通流可预测性分析 | 第16-19页 |
| ·交通流可预测性分析实例 | 第19-22页 |
| ·交通流预测模型分析 | 第22-29页 |
| ·时间序列预测模型 | 第22-23页 |
| ·Kalman 预测模型 | 第23-24页 |
| ·支持向量机模型 | 第24-26页 |
| ·神经网络预测模型 | 第26-29页 |
| ·本章小结 | 第29-30页 |
| 第3章 数据预处理方法 | 第30-40页 |
| ·数据预处理概念 | 第30页 |
| ·缺失数据预处理模型 | 第30页 |
| ·错误数据预处理模型 | 第30-31页 |
| ·冗余数据预处理模型 | 第31页 |
| ·噪声数据预处理模型 | 第31-34页 |
| ·平滑消噪 | 第31-32页 |
| ·奇异值分解滤波方法消噪 | 第32页 |
| ·免疫算法消噪 | 第32页 |
| ·减谱法 | 第32页 |
| ·小波去噪 | 第32-34页 |
| ·交通流数据预处理实例分析 | 第34-39页 |
| ·归一化处理 | 第39页 |
| ·本章小结 | 第39-40页 |
| 第4章 基于改进小波神经网络的短时交通流预测方法研究 | 第40-51页 |
| ·小波神经网络的原理 | 第40-43页 |
| ·基本小波神经网络 | 第40-41页 |
| ·基本小波神经网络流程实现 | 第41-43页 |
| ·小波神经网络存在的问题 | 第43页 |
| ·蚁群算法优化小波神经网络的原理 | 第43-47页 |
| ·蚂蚁觅食的群体行为 | 第43页 |
| ·蚁群算法的基本原理 | 第43-45页 |
| ·蚁群算法优化小波神经网络 | 第45-46页 |
| ·基本蚁群小波神经网络存在的问题 | 第46-47页 |
| ·基本蚁群小波神经网络改进的方法 | 第47-49页 |
| ·蚁群算法的信息素挥发强度 的自适应方法的改进 | 第47页 |
| ·蚁群算法信息素改进算法 | 第47页 |
| ·BFGS 算法改进小波神经网络 | 第47-48页 |
| ·改进的预测模型算法流程与伪代码 | 第48-49页 |
| ·本章小结 | 第49-51页 |
| 第5章 交通流预测实例仿真 | 第51-58页 |
| ·实例建模 | 第51页 |
| ·小波神经网络的结构 | 第51页 |
| ·蚁群算法的参数选择 | 第51页 |
| ·数据预处理 | 第51页 |
| ·模型评价指标 | 第51-52页 |
| ·仿真结果与分析 | 第52-57页 |
| ·结论 | 第57-58页 |
| 第6章 总结与展望 | 第58-60页 |
| ·总结 | 第58页 |
| ·展望 | 第58-60页 |
| 参考文献 | 第60-64页 |
| 致谢 | 第64-65页 |
| 攻读硕士学位期间主要的研究成果 | 第65页 |