| 摘要 | 第6-7页 |
| Abstract | 第7页 |
| 第1章 绪论 | 第10-15页 |
| 1.1 研究背景及研究意义 | 第10-12页 |
| 1.1.1 课题研究背景 | 第10-11页 |
| 1.1.2 研究目的及意义 | 第11-12页 |
| 1.2 国内外研究现状及发展趋势 | 第12-13页 |
| 1.2.1 国外研究情况 | 第12页 |
| 1.2.2 国内研究情况及发展趋势 | 第12-13页 |
| 1.3 论文主要研究内容与章节安排 | 第13-15页 |
| 第2章 交通流预测的相关理论基础 | 第15-21页 |
| 2.1 交通流预测的基本概念 | 第15-16页 |
| 2.1.1 短时交通流预测的分类 | 第15页 |
| 2.1.2 交通流基本特征参数 | 第15-16页 |
| 2.2 本文交通流数据来源 | 第16-19页 |
| 2.3 交通流预测各类方法比较及适应性分析 | 第19-20页 |
| 2.3.1 交通流预测常用方法及对比分析 | 第19-20页 |
| 2.3.2 神经网络模型应用于交通流预测领域的适用性分析 | 第20页 |
| 2.4 本章小结 | 第20-21页 |
| 第3章 交通流的混沌特性及相空间重构 | 第21-31页 |
| 3.1 交通流特性 | 第21-22页 |
| 3.2 交通流可预测性分析 | 第22-23页 |
| 3.3 交通流时间序列相空间重构 | 第23-28页 |
| 3.3.1 相空间重构理论 | 第23-24页 |
| 3.3.2 时间延迟τ和嵌入维数m的选取 | 第24-28页 |
| 3.4 交通流非线性特征量LYAPUNOV指数 | 第28-30页 |
| 3.4.1 混沌时间序列的判别 | 第28-29页 |
| 3.4.2 Lyapunov指数定义 | 第29页 |
| 3.4.3 小数量法求Lyapunov指数 | 第29-30页 |
| 3.5 本章小结 | 第30-31页 |
| 第4章 基于WNN的短时交通流预测模型设计及仿真 | 第31-48页 |
| 4.1 人工神经网络基本理论 | 第31-33页 |
| 4.1.1 神经网络概述 | 第31-32页 |
| 4.1.2 BP神经网络的基本原理 | 第32-33页 |
| 4.2 小波神经网络预测模型设计 | 第33-38页 |
| 4.2.1 小波神经网络结构和功能 | 第33-34页 |
| 4.2.2 小波神经网络层数及各层神经元个数的确定 | 第34-35页 |
| 4.2.3 小波神经网络小波函数的选择 | 第35-36页 |
| 4.2.4 小波神经网络梯度下降学习算法 | 第36-38页 |
| 4.3 基于相空间的WNN短时交通流预测仿真实验与分析 | 第38-47页 |
| 4.3.1 交通流数据预处理 | 第38-39页 |
| 4.3.2 交通流预测评价指标 | 第39-40页 |
| 4.3.3 预测结果及对比分析 | 第40-47页 |
| 4.4 本章小结 | 第47-48页 |
| 第5章 基于IGA-WNN优化的短时交通流预测实例 | 第48-66页 |
| 5.1 遗传优化算法原理概述 | 第48-50页 |
| 5.1.1 遗传算法基本原理 | 第48页 |
| 5.1.2 遗传优化算法流程 | 第48-50页 |
| 5.2 基于GA-WNN交通流预测仿真实验及结果分析 | 第50-53页 |
| 5.3 传统遗传算法的缺陷及改进研究 | 第53-55页 |
| 5.3.1 传统遗传算法的不足之处 | 第53-54页 |
| 5.3.2 遗传优化算法的改进策略研究 | 第54-55页 |
| 5.4 基于IGA优化的WNN交通流预测算法及仿真 | 第55-65页 |
| 5.4.1 基于IGA-WNN短时交通流预测算法设计 | 第55-60页 |
| 5.4.2 仿真实验及结果分析 | 第60-65页 |
| 5.5 本章小结 | 第65-66页 |
| 总结与展望 | 第66-67页 |
| 致谢 | 第67-68页 |
| 参考文献 | 第68-72页 |
| 攻读硕士期间发表的学术论文 | 第72页 |
