| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 第1章 绪论 | 第11-17页 |
| 1.1 课题来源 | 第11页 |
| 1.2 课题的研究背景和意义 | 第11-12页 |
| 1.3 国内外研究现状 | 第12-15页 |
| 1.3.1 智能交通系统发展概述 | 第12-14页 |
| 1.3.2 交通信息预测的发展 | 第14-15页 |
| 1.4 本文的研究内容及章节安排 | 第15-17页 |
| 1.4.1 研究内容 | 第15-16页 |
| 1.4.2 章节安排 | 第16-17页 |
| 第2章 交通信息预测基础 | 第17-21页 |
| 2.1 交通信息预测基本参数 | 第17页 |
| 2.2 交通信息的采集 | 第17-19页 |
| 2.3 远程交通微波检测器 | 第19页 |
| 2.4 交通信息预测的方法介绍 | 第19-20页 |
| 2.5 本章小结 | 第20-21页 |
| 第3章 基于 GM 改进模型的交通信息预测方法研究 | 第21-37页 |
| 3.1 概述 | 第21-22页 |
| 3.2 灰色系统 | 第22-23页 |
| 3.2.1 灰色系统定义 | 第22页 |
| 3.2.2 灰色系统的基本原理 | 第22-23页 |
| 3.3 GM 模型具体步骤 | 第23-25页 |
| 3.4 改进 GM 模型 | 第25-27页 |
| 3.4.1 重构背景值 | 第25-26页 |
| 3.4.2 加权处理初始序列 | 第26页 |
| 3.4.3 残差修正 | 第26-27页 |
| 3.5 交通信息预测评价标准 | 第27-28页 |
| 3.6 交通信息数据来源 | 第28-29页 |
| 3.7 仿真分析 | 第29-35页 |
| 3.7.1 交通流量的预测结果及分析 | 第29-33页 |
| 3.7.2 交通速度和占有率的预测结果及分析 | 第33-35页 |
| 3.8 本章小结 | 第35-37页 |
| 第4章 基于 FOA-LSSVM 模型的交通信息预测方法研究 | 第37-55页 |
| 4.1 概述 | 第37页 |
| 4.2 支持向量机 | 第37-42页 |
| 4.3 LSSVM 模型 | 第42-44页 |
| 4.4 果蝇优化算法 | 第44-45页 |
| 4.5 FOA-LSSVM 模型交通信息预测步骤 | 第45-46页 |
| 4.6 参数选取 | 第46页 |
| 4.7 仿真分析 | 第46-54页 |
| 4.7.1 交通流量的预测结果及分析 | 第47-51页 |
| 4.7.2 交通速度和占有率的预测结果及分析 | 第51-54页 |
| 4.8 本章小结 | 第54-55页 |
| 第5章 基于 GM-LSSVM 模型的组合预测方法研究 | 第55-71页 |
| 5.1 组合预测方法的建立 | 第55-58页 |
| 5.1.1 组合预测概述 | 第55-56页 |
| 5.1.2 GM-LSSVM 组合预测模型的具体步骤 | 第56-58页 |
| 5.2 径向基函数神经网络 | 第58-60页 |
| 5.2.1 RBFNN 的结构和学习方法 | 第58-59页 |
| 5.2.2 RBFNN 算法的步骤 | 第59-60页 |
| 5.3 仿真分析 | 第60-66页 |
| 5.3.1 交通流量的预测结果及分析 | 第60-63页 |
| 5.3.2 交通速度和占有率的预测结果及分析 | 第63-66页 |
| 5.4 预测模型分析总结 | 第66-69页 |
| 5.5 本章小结 | 第69-71页 |
| 第6章 总结与展望 | 第71-73页 |
| 6.1 本文工作总结 | 第71-72页 |
| 6.2 进一步研究展望 | 第72-73页 |
| 参考文献 | 第73-78页 |
| 导师、作者简介及作者取得的科研成果 | 第78-79页 |
| 致谢 | 第79-80页 |
