| 中文摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第一章 绪论 | 第9-16页 |
| 1.1 研究背景与意义 | 第9-11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.2.1 国外研究现状概述 | 第11-12页 |
| 1.2.2 国内研究现状概述 | 第12-13页 |
| 1.3 本文工作安排 | 第13-14页 |
| 1.4 本文章节安排 | 第14-15页 |
| 1.5 技术路线图 | 第15-16页 |
| 第二章 公共自行车需求预测相关技术 | 第16-30页 |
| 2.1 人工神经网络 | 第16-19页 |
| 2.1.1 人工神经网络概述 | 第16-17页 |
| 2.1.2 人工神经网络基本原理与结构 | 第17-19页 |
| 2.2 广义回归神经网络 | 第19-22页 |
| 2.2.1 广义回归神经网络结构 | 第20-21页 |
| 2.2.2 广义回归神经网络理论基础 | 第21-22页 |
| 2.3 决策树模型 | 第22-23页 |
| 2.4 时间序列模型 | 第23-24页 |
| 2.5 支持向量机 | 第24-27页 |
| 2.6 集成算法 | 第27-29页 |
| 2.7 本章小结 | 第29-30页 |
| 第三章 PCA-BA-GRNN模型的设计与实现 | 第30-37页 |
| 3.1 混合模型概述 | 第30-31页 |
| 3.2 主成分分析 | 第31-33页 |
| 3.2.1 主成分分析原理 | 第31-32页 |
| 3.2.2 主成分分析步骤 | 第32-33页 |
| 3.3 蝙蝠算法 | 第33-36页 |
| 3.3.1 蝙蝠算法原理 | 第33-34页 |
| 3.3.2 蝙蝠算法步骤 | 第34-35页 |
| 3.3.3 蝙蝠算法优化光滑因子参数 | 第35-36页 |
| 3.4 PCA-BA-GRNN混合模型的设计与实现 | 第36页 |
| 3.5 本章小结 | 第36-37页 |
| 第四章 自行车数据可视化与分析 | 第37-45页 |
| 4.1 华盛顿公共自行车系统介绍 | 第37页 |
| 4.2 公共自行车数据描述 | 第37-38页 |
| 4.3 自行车需求影响因素分析 | 第38-41页 |
| 4.3.1 天气条件 | 第38-39页 |
| 4.3.2 使用时间 | 第39-40页 |
| 4.3.3 季节因素 | 第40-41页 |
| 4.3.4 其他影响因素 | 第41页 |
| 4.4 数据可视化 | 第41-45页 |
| 第五章 实验结果与分析 | 第45-56页 |
| 5.1 数据预处理 | 第45-46页 |
| 5.1.1 数据标准化 | 第45-46页 |
| 5.1.2 PCA方法提取主成分 | 第46页 |
| 5.2 性能评价指标 | 第46-47页 |
| 5.3 实验结果比较和分析 | 第47-55页 |
| 5.3.1 按小时预测结果比较与分析 | 第47-54页 |
| 5.3.2 按天预测结果比较与分析 | 第54-55页 |
| 5.4 本章小结 | 第55-56页 |
| 第六章 总结和展望 | 第56-58页 |
| 6.1 本文工作总结 | 第56-57页 |
| 6.2 不足与展望 | 第57-58页 |
| 参考文献 | 第58-62页 |
| 在学期间的研究成果 | 第62-63页 |
| 致谢 | 第63页 |