交通流量短时预测方法研究
| 摘要 | 第1-7页 |
| ABSTRACT | 第7-13页 |
| 1 引言 | 第13-17页 |
| ·应用背景及研究意义 | 第13-14页 |
| ·短时交通流量预测研究现状 | 第14-15页 |
| ·主要研究内容及框架 | 第15-17页 |
| ·主要研究内容 | 第15页 |
| ·框架结构 | 第15-17页 |
| 2 交通流量数据的特点和预处理方法 | 第17-24页 |
| ·交通流量数据的特点 | 第17-20页 |
| ·动态性 | 第17页 |
| ·周相似性 | 第17-20页 |
| ·相关性 | 第20页 |
| ·动态交通数据的预处理方法 | 第20-23页 |
| ·动态交通数据的故障识别方法 | 第21-22页 |
| ·动态交通数据的修复方法 | 第22-23页 |
| ·小结 | 第23-24页 |
| 3 交通流量短时预测研究概述 | 第24-37页 |
| ·多元线性回归预测方法 | 第24-25页 |
| ·指数平滑预测方法 | 第25-26页 |
| ·基于神经网络的预测方法 | 第26-29页 |
| ·时间序列预测方法 | 第29-32页 |
| ·时间序列模型的概念 | 第29-30页 |
| ·时间序列模型介绍 | 第30-31页 |
| ·时间序列模型的参数估计 | 第31-32页 |
| ·基于数据融合的预测方法 | 第32-36页 |
| ·融合模型的建立 | 第32-34页 |
| ·融合模型的权重确定方法 | 第34-36页 |
| ·小结 | 第36-37页 |
| 4 预测方法改进研究 | 第37-45页 |
| ·概述 | 第37页 |
| ·基于时间序列预测方法的改进模型 | 第37-41页 |
| ·线性回归法和指数平滑法的不足 | 第37-38页 |
| ·基于时间序列方法的改进模型 | 第38-41页 |
| ·自适应权重的数据融合预测方法的改进模型 | 第41-44页 |
| ·小结 | 第44-45页 |
| 5 应用算例及分析 | 第45-69页 |
| ·数据说明 | 第45-50页 |
| ·模型应用 | 第50-68页 |
| ·基于BP 神经网络交通流量预测模型的应用 | 第51-59页 |
| ·ARIMA 预测模型的应用 | 第59-64页 |
| ·融合预测模型的应用 | 第64-68页 |
| ·小结 | 第68-69页 |
| 6 结论 | 第69-71页 |
| ·主要工作 | 第69页 |
| ·主要结论 | 第69-70页 |
| ·进一步研究的问题 | 第70-71页 |
| 参考文献 | 第71-73页 |
| 作者简历 | 第73-74页 |
