| 摘要 | 第4-5页 |
| abstract | 第5页 |
| 第一章 绪论 | 第8-14页 |
| 1.1 研究背景和意义 | 第8页 |
| 1.2 短期交通流预测的研究方法及现状 | 第8-11页 |
| 1.2.1 短期交通流预测与中长期交通流预测 | 第8-9页 |
| 1.2.2 短期交通流预测的传统统计理论方法 | 第9-10页 |
| 1.2.3 短期交通流预测的人工神经网络方法 | 第10页 |
| 1.2.4 短期交通流预测的深度学习方法 | 第10-11页 |
| 1.3 本文预测方法选择 | 第11-12页 |
| 1.4 本文主要研究内容 | 第12-14页 |
| 第二章 交通流数据分析及预处理 | 第14-25页 |
| 2.1 交通流数据分析 | 第14-18页 |
| 2.1.1 基本参量 | 第14-15页 |
| 2.1.2 基本特性 | 第15-17页 |
| 2.1.3 影响因素 | 第17-18页 |
| 2.2 交通流数据预处理 | 第18-24页 |
| 2.2.1 采集、规范及修正 | 第18-19页 |
| 2.2.2 数据去噪与方法描述 | 第19-22页 |
| 2.2.3 实验结果 | 第22-24页 |
| 2.3 本章小结 | 第24-25页 |
| 第三章 RNN网络下基于LSTM模型的交通流预测方法 | 第25-44页 |
| 3.1 RNN神经网络 | 第25-30页 |
| 3.1.1 RNN网络模型的算法 | 第27-29页 |
| 3.1.2 RNN网络模型的利弊 | 第29-30页 |
| 3.2 LSTM模型及实现 | 第30-40页 |
| 3.2.1 LSTM的核心算法 | 第31-35页 |
| 3.2.2 LSTM的网络方程 | 第35-37页 |
| 3.2.3 keras的基本要素 | 第37-40页 |
| 3.3 实验仿真与分析 | 第40-43页 |
| 3.3.1 模型数据规范 | 第40-41页 |
| 3.3.2 模型数据训练 | 第41页 |
| 3.3.3 输出预测结果 | 第41-42页 |
| 3.3.4 输出评价指标 | 第42-43页 |
| 3.4 本章小结 | 第43-44页 |
| 第四章 基于灰色理论GM模型下的交通流预测方法 | 第44-51页 |
| 4.1 灰色系统理论 | 第44-45页 |
| 4.2 灰色模型原理 | 第45-48页 |
| 4.2.1 数据级比检验 | 第45-46页 |
| 4.2.2 GM（1,1）算法 | 第46-48页 |
| 4.3 GM（1,1）的matlab实现 | 第48-50页 |
| 4.3.1 搭建GM（1,1）模型 | 第48页 |
| 4.3.2 输出预测结果 | 第48-50页 |
| 4.3.3 输出评价指标 | 第50页 |
| 4.4 本章小结 | 第50-51页 |
| 第五章 集成LSTM模型与GM模型下的交通流预测方法 | 第51-56页 |
| 5.1 集成预测模型的优点 | 第51-54页 |
| 5.1.1 集成预测模型算法 | 第51-52页 |
| 5.1.2 获取动态权值 | 第52-54页 |
| 5.2 集成预测结果评价指标 | 第54-55页 |
| 5.3 本章小结 | 第55-56页 |
| 第六章 总结与展望 | 第56-59页 |
| 6.1 本文总结 | 第56-57页 |
| 6.2 展望 | 第57-59页 |
| 参考文献 | 第59-62页 |
| 附录1 攻读硕士学位期间撰写的论文 | 第62-63页 |
| 致谢 | 第63页 |