| 摘要 | 第4-6页 |
| ABSTRACT | 第6页 |
| 第一章 绪论 | 第12-19页 |
| 1.1 课题研究的背景及意义 | 第12-17页 |
| 1.1.1 交通问题现状及解决措施 | 第12-14页 |
| 1.1.2 智能交通系统 | 第14页 |
| 1.1.3 智能交通系统国内外研究现状 | 第14-17页 |
| 1.2 交通流量预测概述 | 第17-18页 |
| 1.3 本课题的研究内容 | 第18-19页 |
| 第二章 交通流理论简介与特性分析 | 第19-24页 |
| 2.1 交通流基本参数 | 第19-20页 |
| 2.2 交通流特性 | 第20-21页 |
| 2.3 交通流时间特性分析 | 第21-23页 |
| 2.4 交通流空间特性分析 | 第23页 |
| 2.5 本章小结 | 第23-24页 |
| 第三章 交通流量预测方法的对比与分析 | 第24-39页 |
| 3.1 多元线性回归预测方法 | 第24-27页 |
| 3.2 卡尔曼滤波方法 | 第27-29页 |
| 3.3 支持向量机方法 | 第29-31页 |
| 3.4 人工神经网络方法 | 第31-36页 |
| 3.4.1 人工神经网络基础 | 第31-35页 |
| 3.4.2 人工神经网络预测方法 | 第35-36页 |
| 3.5 已有方法的比较分析 | 第36-38页 |
| 3.6 本章小结 | 第38-39页 |
| 第四章 改进的BP算法及输入相关性分析 | 第39-47页 |
| 4.1 BP神经网络 | 第39-40页 |
| 4.2 改进的BP神经网络 | 第40-42页 |
| 4.3 基于遗传算法的BP神经网络算法 | 第42-43页 |
| 4.4 基于神经网络的预测模型的输入量的选取 | 第43-46页 |
| 4.4.1 交通流量的自相关函数 | 第44页 |
| 4.4.2 用FFT对自相关函数的快速计算 | 第44-45页 |
| 4.4.3 交通流量数据的相关曲线 | 第45-46页 |
| 4.5 本章小结 | 第46-47页 |
| 第五章 神经网络交通流量预测模型仿真 | 第47-53页 |
| 5.1 交通流量预测模型的结构 | 第47-48页 |
| 5.2 BP神经网络的交通流量预测模型仿真 | 第48-49页 |
| 5.3 改进的BP神经网络的交通流量预测模型仿真 | 第49-50页 |
| 5.4 基于遗传算法的BP神经网络的交通流量预测模型仿真 | 第50-52页 |
| 5.5 结果分析 | 第52页 |
| 5.6 本章小结 | 第52-53页 |
| 总结与展望 | 第53-55页 |
| 一、总结 | 第53-54页 |
| 二、展望 | 第54-55页 |
| 参考文献 | 第55-58页 |
| 攻读学位期间发表的论文 | 第58-60页 |
| 致谢 | 第60页 |