| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 1 绪论 | 第8-17页 |
| 1.1 研究背景 | 第8-9页 |
| 1.2 研究意义 | 第9-10页 |
| 1.3 研究现状 | 第10-14页 |
| 1.3.1 时空数据在交通领域的应用 | 第10-12页 |
| 1.3.2 交通预测及缓堵策略 | 第12-14页 |
| 1.4 研究内容及工作安排 | 第14-17页 |
| 1.4.1 研究内容 | 第14-15页 |
| 1.4.2 论文工作安排 | 第15-17页 |
| 2 基于时空数据的交通特征分析 | 第17-39页 |
| 2.1 时空数据的含义 | 第17-19页 |
| 2.1.1 时空数据的概念及描述方法 | 第17-18页 |
| 2.1.2 时空数据的特征分析 | 第18-19页 |
| 2.2 交通时空数据的获取及预处理 | 第19-24页 |
| 2.2.1 交通时空数据算法介绍 | 第19-20页 |
| 2.2.2 数据获取及预处理 | 第20-24页 |
| 2.2.3 数据特性与研究方法分析 | 第24页 |
| 2.3 基于时空数据的西安市交通状况分析 | 第24-38页 |
| 2.3.1 西安市交通拥堵时间分布特征 | 第25-28页 |
| 2.3.2 西安市交通拥堵空间分布特征-以行政区为基本单元 | 第28-32页 |
| 2.3.3 西安市交通拥堵空间分布特征-以拥堵事件位置为基本单元 | 第32-35页 |
| 2.3.4 基于热力分布进行交通拥堵成因分析 | 第35-38页 |
| 2.4 本章小结 | 第38-39页 |
| 3 基于深度学习的交通流预测模型 | 第39-47页 |
| 3.1 交通预测模型的特征 | 第39-43页 |
| 3.1.1 模型参数的选择 | 第39-42页 |
| 3.1.2 激活函数的选择 | 第42页 |
| 3.1.3 模型拟合问题 | 第42-43页 |
| 3.2 基于深度神经网络的深度学习基础模型 | 第43-46页 |
| 3.2.1 深度神经网络基础知识 | 第43-44页 |
| 3.2.2 深度神经网络的运行原理 | 第44-46页 |
| 3.3 本章小结 | 第46-47页 |
| 4 基于深度学习的太华北路交通枢纽交通流预测 | 第47-57页 |
| 4.1 研究区概况 | 第47-48页 |
| 4.2 神经网络训练流程介绍 | 第48-54页 |
| 4.2.1 确定模型参数 | 第50-51页 |
| 4.2.2 确定模型神经元数量 | 第51-54页 |
| 4.3 模型结构优化 | 第54-55页 |
| 4.4 模型精度验证 | 第55-56页 |
| 4.5 本章小结 | 第56-57页 |
| 5 基于交通仿真的缓堵策略 | 第57-63页 |
| 5.1 交通仿真平台介绍 | 第57页 |
| 5.2 缓堵策略实施 | 第57-60页 |
| 5.3 缓堵策略分析 | 第60-62页 |
| 5.4 本章小结 | 第62-63页 |
| 6 结论与展望 | 第63-65页 |
| 6.1 结论 | 第63页 |
| 6.2 展望 | 第63-65页 |
| 致谢 | 第65-66页 |
| 参考文献 | 第66-71页 |
| 附录 | 第71页 |