| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 1 绪论 | 第8-14页 |
| 1.1 研究背景及意义 | 第8-9页 |
| 1.2 交通流预测国内外研究现状 | 第9-10页 |
| 1.2.1 交通流预测国内研究现状 | 第9页 |
| 1.2.2 交通流预测国外研究现状 | 第9-10页 |
| 1.3 深度学习国内外研究现状 | 第10-11页 |
| 1.3.1 深度学习国内研究现状 | 第10页 |
| 1.3.2 深度学习国外研究现状 | 第10-11页 |
| 1.4 研究内容与思路 | 第11-12页 |
| 1.5 论文组织结构 | 第12-14页 |
| 2 传统交通流预测的研究方法 | 第14-20页 |
| 2.1 基于线性系统理论的方法 | 第14-15页 |
| 2.2 基于非线性系统理论的方法 | 第15-17页 |
| 2.3 基于知识发现的智能预测方法 | 第17-19页 |
| 2.4 本章小结 | 第19-20页 |
| 3 深度学习相关理论 | 第20-32页 |
| 3.1 深度学习概述 | 第20-21页 |
| 3.1.1 深度学习定义 | 第20页 |
| 3.1.2 深度学习基本思想及优势 | 第20-21页 |
| 3.2 深度学习常用模型 | 第21-31页 |
| 3.2.1 深度自动编码器模型 | 第21-22页 |
| 3.2.2 深度置信网络模型 | 第22-28页 |
| 3.2.3 卷积神经网络模型 | 第28-29页 |
| 3.2.4 连续受限玻尔兹曼机模型 | 第29-31页 |
| 3.3 本章小结 | 第31-32页 |
| 4 基于CRBM-DBN(ALS)的交通流预测 | 第32-39页 |
| 4.1 交通流数据预处理 | 第32-34页 |
| 4.2 基于CRBM-DBN(ALS)的交通流预测模型 | 第34-38页 |
| 4.2.1 自适应学习步长(ALS) | 第34-35页 |
| 4.2.2 CRBM-DBN模型 | 第35-36页 |
| 4.2.3 CRBM-DBN(ALS)交通流预测模型 | 第36-38页 |
| 4.3 预测方法的处理步骤 | 第38页 |
| 4.4 本章小结 | 第38-39页 |
| 5 基于CRBM-DBN(ALS)的交通流预测结果分析 | 第39-49页 |
| 5.1 交通流量数据描述 | 第39-40页 |
| 5.2 交通流量预测模型的性能评价指标 | 第40页 |
| 5.3 预测模型参数的选择 | 第40-42页 |
| 5.4 预测结果及分析 | 第42-48页 |
| 5.5 本章小结 | 第48-49页 |
| 6 总结与展望 | 第49-51页 |
| 6.1 研究总结 | 第49-50页 |
| 6.2 研究展望 | 第50-51页 |
| 致谢 | 第51-52页 |
| 参考文献 | 第52-55页 |
| 攻读学位期间的研究成果 | 第55页 |
