城市交通流量预测及控制策略研究
| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 1. 绪论 | 第10-18页 |
| 1.1 研究背景和研究意义 | 第10-14页 |
| 1.1.1 研究背景 | 第10-13页 |
| 1.1.2 智能交通系统介绍 | 第13-14页 |
| 1.1.3 研究意义 | 第14页 |
| 1.2 国内外研究现状总结 | 第14-16页 |
| 1.3 研究内容 | 第16-18页 |
| 2. 基于神经网络的预测模型研究 | 第18-42页 |
| 2.1 人工神经网络概述 | 第19-20页 |
| 2.2 BP神经网络预测模型 | 第20-22页 |
| 2.3 小波神经网络预测模型 | 第22-26页 |
| 2.3.1 小波函数 | 第22-24页 |
| 2.3.2 小波神经网络 | 第24-26页 |
| 2.4 灰色神经网络预测模型 | 第26-29页 |
| 2.4.1 灰色模型 | 第26-27页 |
| 2.4.2 灰色神经网络 | 第27-29页 |
| 2.5 基于粒子群算法优化神经网络预测模型 | 第29-33页 |
| 2.5.1 粒子群算法 | 第29-31页 |
| 2.5.2 粒子群算法优化小波神经网络 | 第31-33页 |
| 2.6 果蝇算法优化神经网络的预测模型 | 第33-37页 |
| 2.6.1 果蝇算法 | 第33-36页 |
| 2.6.2 果蝇算法优化灰色神经网络 | 第36-37页 |
| 2.7 神经网络预测模型仿真实现 | 第37-41页 |
| 2.8 本章小结 | 第41-42页 |
| 3. 城市交通预测模型的综合对比实验分析 | 第42-65页 |
| 3.1 几个基本概念 | 第42-46页 |
| 3.1.1 预测三要素 | 第42-45页 |
| 3.1.2 短时交通流预测特性 | 第45-46页 |
| 3.2 样本数据的采集 | 第46-48页 |
| 3.2.1 固定采集技术 | 第46-47页 |
| 3.2.2 移动采集技术 | 第47-48页 |
| 3.3 交通流预测数据预处理 | 第48-51页 |
| 3.3.1 错误数据预处理 | 第48-49页 |
| 3.3.2 噪声数据预处理 | 第49-50页 |
| 3.3.3 归一化处理 | 第50-51页 |
| 3.4 交通流预测评价指标 | 第51-52页 |
| 3.5 数据来源 | 第52-54页 |
| 3.6 城市交通预测实验 | 第54-58页 |
| 3.6.1 实验一 | 第54-56页 |
| 3.6.2 实验二 | 第56-58页 |
| 3.7 综合分析 | 第58-64页 |
| 3.7.1 实验结果 | 第58-61页 |
| 3.7.2 控制对策 | 第61-64页 |
| 3.8 小结 | 第64-65页 |
| 4. 城市智能交通管理控制系统设计 | 第65-73页 |
| 4.1 问题概述 | 第65-66页 |
| 4.2 设计思路与总体框架 | 第66-69页 |
| 4.3 城市智能交通管理控制演示系统 | 第69-72页 |
| 4.4 本章小结 | 第72-73页 |
| 5. 结论与展望 | 第73-75页 |
| 5.1 结论 | 第73页 |
| 5.2 未来展望 | 第73-75页 |
| 参考文献 | 第75-79页 |
| 攻读硕士期间发表的论文及所取得的研究成果 | 第79-80页 |
| 致谢 | 第80-81页 |
| 附录 | 第81-87页 |
