| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-18页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-14页 |
| 1.2.1 交通拥堵预测的研究现状 | 第11-12页 |
| 1.2.2 RBF神经网络优化的研究现状 | 第12-13页 |
| 1.2.3 聚类算法的研究现状 | 第13-14页 |
| 1.3 本文主要研究内容 | 第14-15页 |
| 1.4 论文组织结构 | 第15-18页 |
| 第2章 相关技术简介 | 第18-30页 |
| 2.1 引言 | 第18页 |
| 2.2 RBF神经网络 | 第18-25页 |
| 2.2.1 RBF神经网络的基本原理 | 第18-20页 |
| 2.2.2 RBF神经网络的结构及参数确定 | 第20-24页 |
| 2.2.3 RBF神经网络的性能分析 | 第24-25页 |
| 2.3 K近邻优化的密度峰值快速搜索聚类(KNN-DPC)算法 | 第25-28页 |
| 2.3.1 密度峰值点快速搜索聚类(DPC)算法 | 第25-27页 |
| 2.3.2 KNN-DPC算法 | 第27-28页 |
| 2.4 本章小结 | 第28-30页 |
| 第3章 基于KNN-DPC的RBF神经网络设计及研究 | 第30-44页 |
| 3.1 引言 | 第30页 |
| 3.2 基于正态分布的KNN-DPC算法优化设计 | 第30-36页 |
| 3.2.1 KNN-DPC算法现阶段存在的问题 | 第30-31页 |
| 3.2.2 基于正态分布的KNN-DPC算法优化 | 第31-35页 |
| 3.2.3 算法优化伪代码 | 第35-36页 |
| 3.3 基于KNN-DPC的RBF神经网络设计 | 第36-43页 |
| 3.3.1 基于KNN-DPC的RBF神经网络优化策略 | 第36-38页 |
| 3.3.2 基于KNN-DPC的RBF神经网络学习过程 | 第38-41页 |
| 3.3.3 基于KNN-DPC的RBF神经网络算法伪代码 | 第41-43页 |
| 3.4 本章小结 | 第43-44页 |
| 第4章 基于本文模型的交通拥堵预测系统设计与实现 | 第44-68页 |
| 4.1 引言 | 第44页 |
| 4.2 基于本文模型的数据集设计 | 第44-49页 |
| 4.2.1 对交通拥堵产生影响的环境因素挑选 | 第44-46页 |
| 4.2.2 输入向量数据集设计 | 第46-49页 |
| 4.3 系统模型的确定方式及训练集构成 | 第49-50页 |
| 4.3.1 模型确定思路 | 第49-50页 |
| 4.3.2 本文训练集选择范围 | 第50页 |
| 4.3.3 验证模型过程 | 第50页 |
| 4.4 基于本文模型的交通拥堵预测系统设计 | 第50-66页 |
| 4.4.1 系统功能设计 | 第50-51页 |
| 4.4.2 系统设计基本思路及流程 | 第51-54页 |
| 4.4.3 系统框架及模块设计 | 第54-56页 |
| 4.4.4 系统类的设计 | 第56-64页 |
| 4.4.5 系统数据库设计 | 第64-66页 |
| 4.5 本章小结 | 第66-68页 |
| 第5章 实验结果与分析 | 第68-88页 |
| 5.1 引言 | 第68页 |
| 5.2 实验环境 | 第68-69页 |
| 5.2.1 硬件环境配置 | 第68-69页 |
| 5.2.2 软件环境配置 | 第69页 |
| 5.3 基于正态分布的KNN-DPC算法实验测试及分析 | 第69-74页 |
| 5.3.1 基于正态分布的KNN-DPC算法实验思路 | 第69-70页 |
| 5.3.2 实验测试集描述 | 第70-71页 |
| 5.3.3 实验结果与分析 | 第71-74页 |
| 5.4 基于KNN-DPC的RBF神经网络交通拥堵预测系统测试及分析 | 第74-87页 |
| 5.4.1 基于KNN-DPC的RBF神经网络交通拥堵预测系统测试思路 | 第74页 |
| 5.4.2 实验测试数据描述 | 第74-76页 |
| 5.4.3 实验结果与分析 | 第76-87页 |
| 5.5 本章小结 | 第87-88页 |
| 结论 | 第88-90页 |
| 参考文献 | 第90-94页 |
| 攻读硕士学位期间所发表的学术论文 | 第94-96页 |
| 致谢 | 第96页 |
