基于组合模型的短时交通流预测方法
| 摘要 | 第1-6页 |
| Abstract | 第6-9页 |
| 第1章 引言 | 第9-15页 |
| ·研究背景和意义 | 第9-10页 |
| ·国内外研究现状 | 第10-11页 |
| ·项目应用背景 | 第11-12页 |
| ·主要研究思路和方法 | 第12-13页 |
| ·论文结构和主要工作 | 第13-15页 |
| 第2章 相关理论和关键技术 | 第15-30页 |
| ·小波分析相关理论和关键技术 | 第15-21页 |
| ·小波分析的发展历史 | 第15-16页 |
| ·小波分析的特点和原理概述 | 第16页 |
| ·小波分析的关键技术 | 第16-21页 |
| ·神经网络相关理论和关键技术 | 第21-30页 |
| ·神经网络的概念和特性 | 第21-22页 |
| ·神经网络的基本结构和分类 | 第22-23页 |
| ·神经网络的学习方式和学习算法 | 第23-25页 |
| ·RBF神经网络关键技术 | 第25-30页 |
| 第3章 交通流数据预处理 | 第30-38页 |
| ·交通流数据特征分析 | 第30-32页 |
| ·交通流数据频谱特征分析 | 第32-33页 |
| ·交通流异常数据判别 | 第33-36页 |
| ·交通流三参数判断 | 第33-34页 |
| ·阈值判断 | 第34-35页 |
| ·断面关系判断 | 第35-36页 |
| ·异常数据修复 | 第36-38页 |
| ·利用断面关系修复 | 第36-37页 |
| ·利用历史数据修复 | 第37-38页 |
| 第4章 小波分析与神经网络的复合模型 | 第38-48页 |
| ·用于交通流降噪的小波分析关键模型 | 第38-44页 |
| ·小波降噪关键模型的三个模块 | 第38-41页 |
| ·小波降噪关键模型的的参数选取 | 第41-44页 |
| ·松散型小波神经网络预测模型 | 第44页 |
| ·紧致型小波神经网络预测模型 | 第44-48页 |
| ·紧致型小波神经网络基本思路 | 第44-45页 |
| ·紧致型小波神经网络结构 | 第45页 |
| ·紧致型小波神经网络学习算法 | 第45-47页 |
| ·紧致型小波神经网络权值初始化 | 第47-48页 |
| 第5章 模型应用与验证 | 第48-53页 |
| ·实验数据选取 | 第48页 |
| ·小波降噪模型应用 | 第48-50页 |
| ·阈值选取 | 第48-49页 |
| ·小波函数和分解尺度选取 | 第49-50页 |
| ·小波降噪结果和分析 | 第50页 |
| ·复合预测模型应用 | 第50-51页 |
| ·模型预测结果评价 | 第51-53页 |
| 第6章 总结与展望 | 第53-55页 |
| ·工作总结 | 第53页 |
| ·工作展望 | 第53-55页 |
| 参考文献 | 第55-58页 |
| 攻读硕士学位期间参加的科研项目 | 第58-59页 |
| 攻读硕士学位期间发表的学术论文 | 第59-60页 |
| 致谢 | 第60页 |
