| 中文摘要 | 第3-4页 |
| 英文摘要 | 第4页 |
| 1 绪论 | 第7-14页 |
| 1.1 研究的背景 | 第7-9页 |
| 1.1.1 城市停车问题日益严峻 | 第7-8页 |
| 1.1.2 城市停车问题的解决途径 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-11页 |
| 1.2.1 国内的研究现状 | 第9-10页 |
| 1.2.2 国外研究现状 | 第10-11页 |
| 1.3 研究的目的和意义 | 第11-12页 |
| 1.4 研究的内容 | 第12-13页 |
| 1.5 论文的组织结构 | 第13页 |
| 1.6 本章小结 | 第13-14页 |
| 2 关键技术 | 第14-22页 |
| 2.1 预测相关的概念及方法 | 第14页 |
| 2.2 时间序列预测技术相关的概念及方法 | 第14-15页 |
| 2.2.1 时间序列的特点 | 第14页 |
| 2.2.2 时间序列预测方法 | 第14-15页 |
| 2.3 灰色模型 | 第15-16页 |
| 2.3.1 灰色模型的特点 | 第15-16页 |
| 2.3.2 灰色模型的优缺点 | 第16页 |
| 2.4 人工神经网络概述 | 第16-19页 |
| 2.4.1 人工神经网络的特点 | 第17页 |
| 2.4.2 BP神经网络 | 第17-18页 |
| 2.4.3 BP神经网络的优缺点及改进方法 | 第18-19页 |
| 2.5 遗传算法 | 第19-21页 |
| 2.5.1 遗传算法的特点 | 第19-20页 |
| 2.5.2 遗传算法的流程 | 第20-21页 |
| 2.6 本章小结 | 第21-22页 |
| 3 短时有效泊车位预测相关模型 | 第22-41页 |
| 3.1 有效泊车位的影响因素 | 第22-23页 |
| 3.2 样本数据的收集和准备 | 第23-25页 |
| 3.3 灰色预测模型 | 第25-31页 |
| 3.3.1 GM(1.1)模型建立的条件 | 第25-26页 |
| 3.3.2 GM(1.1)模型的建立 | 第26-27页 |
| 3.3.3 GM(1,1)实验仿真预测 | 第27-31页 |
| 3.4 BP神经网络预测模型 | 第31-39页 |
| 3.4.1 BP神经网络的传播模式 | 第31-32页 |
| 3.4.2 BP神经网络的参数选择 | 第32-35页 |
| 3.4.3 BP神经网络预测模型仿真实验 | 第35-39页 |
| 3.5 实验结果分析 | 第39-40页 |
| 3.6 本章小结 | 第40-41页 |
| 4 基于遗传算法优化的BP神经网络的有效泊车位预测 | 第41-54页 |
| 4.1 遗传算法优化的BP神经网络预测 | 第41页 |
| 4.2 GABP神经网络参数选择 | 第41-46页 |
| 4.3 GABP算法步骤 | 第46-47页 |
| 4.4 GABP网络模型仿真实验预测 | 第47-49页 |
| 4.5 实验结果对比分析 | 第49-53页 |
| 4.6 本章小结 | 第53-54页 |
| 5 总结和展望 | 第54-56页 |
| 5.1 工作总结 | 第54页 |
| 5.2 不足与展望 | 第54-56页 |
| 致谢 | 第56-57页 |
| 参考文献 | 第57-61页 |
| 附录 | 第61页 |
| A. 作者在攻读学位期间发表的论文目录 | 第61页 |
| B. 作者在攻读学位期间参与的科研项目目录 | 第61页 |