基于混沌和PSO神经网络的短时交通流预测研究
| 摘要 | 第1-7页 |
| Abstract | 第7-11页 |
| 第1章 绪论 | 第11-15页 |
| ·交通流预测的意义 | 第11页 |
| ·国内外交通预测研究现状及发展趋势 | 第11-13页 |
| ·国外研究概况 | 第12页 |
| ·国内研究概况 | 第12-13页 |
| ·本文研究内容与章节安排 | 第13-15页 |
| ·研究内容 | 第13-14页 |
| ·章节安排 | 第14-15页 |
| 第2章 交通流预测的相关理论 | 第15-27页 |
| ·交通流预测基本概念 | 第15-16页 |
| ·交通流预测的定义和分类 | 第15页 |
| ·短时交通流预测的原理 | 第15-16页 |
| ·交通流预测中的信息获取 | 第16-21页 |
| ·交通信息采集技术 | 第16-17页 |
| ·交通流参数及其检测计算 | 第17-19页 |
| ·本文交通流数据来源 | 第19-21页 |
| ·混沌时间序列分析 | 第21-22页 |
| ·人工神经网络基本原理 | 第22-24页 |
| ·人工神经网络简述 | 第22-23页 |
| ·BP神经网络 | 第23-24页 |
| ·粒子群优化算法 | 第24-27页 |
| ·粒子群算法基本原理 | 第24-26页 |
| ·基本粒子群算法流程 | 第26-27页 |
| 第3章 基于动力学特性的交通流可预测性分析 | 第27-38页 |
| ·交通流特性 | 第27-28页 |
| ·交通流可预测性分析 | 第28-29页 |
| ·交通流动力学特性分析 | 第28页 |
| ·交通流可预测性分析流程 | 第28-29页 |
| ·交通流时间序列相空间重构 | 第29-34页 |
| ·相空间重构理论 | 第29-31页 |
| ·时间延迟τ和嵌入维数m的选取 | 第31-34页 |
| ·交通流非线性特征量Lyapunov指数 | 第34-37页 |
| ·Lyapunov指数定义 | 第34-35页 |
| ·小数据量法求Lyapunov指数 | 第35-36页 |
| ·最大可预报尺度 | 第36-37页 |
| ·小结 | 第37-38页 |
| 第4章 交通流PSO神经网络预测模型 | 第38-48页 |
| ·PSO神经网络原理与实现 | 第38-41页 |
| ·粒子群优化算法与神经网络的融合 | 第38-40页 |
| ·粒子群算法优化神经网络的流程 | 第40-41页 |
| ·PSO神经网络的综合改进 | 第41-46页 |
| ·基本PSO算法优化神经网络存在的问题 | 第41-42页 |
| ·综合改进的PSO神经网络 | 第42-46页 |
| ·实验结果及分析 | 第46-48页 |
| 第5章 基于PSO神经网络的短时交通流预测实例 | 第48-61页 |
| ·相空间中的PSO神经网络交通流预测 | 第48-51页 |
| ·相空间中的PSO神经网络预测模型 | 第48-49页 |
| ·短时交通流量PSO神经网络预测的步骤 | 第49-50页 |
| ·PSO神经网络应用设计 | 第50-51页 |
| ·短时交通流预测实例分析 | 第51-57页 |
| ·交通流数据预处理 | 第53-54页 |
| ·交通流预测评价指标 | 第54页 |
| ·预测效果比较分析 | 第54-57页 |
| ·交通流分时段预测研究 | 第57-61页 |
| 总结与展望 | 第61-63页 |
| 致谢 | 第63-64页 |
| 参考文献 | 第64-68页 |
| 攻读硕士学位期间发表的论文 | 第68-69页 |
