| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-16页 |
| 1.1 选题背景及意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.2.1 国内研究现状 | 第11-12页 |
| 1.2.2 国外研究现状 | 第12-13页 |
| 1.3 研究目标与内容 | 第13-14页 |
| 1.3.1 研究目标 | 第13-14页 |
| 1.3.2 研究内容 | 第14页 |
| 1.4 论文章节组织 | 第14-16页 |
| 第二章 剩余车位数预测相关技术 | 第16-24页 |
| 2.1 ARIMA时间序列模型 | 第16-17页 |
| 2.1.1 时间序列定义 | 第16页 |
| 2.1.2 ARIMA时间序列模型 | 第16-17页 |
| 2.1.3 ARIMA模型建模步骤 | 第17页 |
| 2.2 神经网络模型 | 第17-20页 |
| 2.2.1 神经网络概念 | 第17-18页 |
| 2.2.2 神经元模型 | 第18页 |
| 2.2.3 神经网络结构 | 第18-19页 |
| 2.2.4 神经网络学习算法 | 第19-20页 |
| 2.3 LSTM网络模型 | 第20-23页 |
| 2.3.1 LSTM网络 | 第20-21页 |
| 2.3.2 LSTM的核心思想 | 第21页 |
| 2.3.3 LSTM神经网络的具体实现 | 第21-23页 |
| 2.4 本章小结 | 第23-24页 |
| 第三章 泊车用户行为特征分析 | 第24-50页 |
| 3.1 泊车原始数据采集与数据预处理 | 第24-28页 |
| 3.1.1 泊车原始数据采集与描述 | 第24-26页 |
| 3.1.2 泊车数据预处理 | 第26-28页 |
| 3.2 泊车流量时间特性分析 | 第28-36页 |
| 3.2.1 泊车流量规律分析 | 第28-31页 |
| 3.2.2 影响泊车流量潜在因素分析 | 第31-36页 |
| 3.3 泊车停留时间特性分析 | 第36-41页 |
| 3.3.1 泊车停留时间规律分析 | 第36-39页 |
| 3.3.2 影响停留时间潜在因素分析 | 第39-41页 |
| 3.4 剩余车位数特性分析 | 第41-44页 |
| 3.4.1 剩余车位数规律分析 | 第41-43页 |
| 3.4.2 影响剩余车位数潜在因素分析 | 第43-44页 |
| 3.5 泊车用户空间分析 | 第44-49页 |
| 3.5.1 泊车流量空间分析 | 第45-47页 |
| 3.5.2 泊车流量源汇区分析 | 第47-48页 |
| 3.5.3 泊车用户出行轨迹分析 | 第48-49页 |
| 3.6 本章小结 | 第49-50页 |
| 第四章 基于LSTM网络的剩余车位数预测 | 第50-73页 |
| 4.1 构建剩余车位数预测特征 | 第50-55页 |
| 4.1.1 历史时刻剩余车位数 | 第50-51页 |
| 4.1.2 工作日类型 | 第51-52页 |
| 4.1.3 车辆停留时间 | 第52-53页 |
| 4.1.4 停车场流量 | 第53-55页 |
| 4.1.5 其他因素 | 第55页 |
| 4.2 基于LSTM网络的剩余车位数短时预测 | 第55-66页 |
| 4.2.1 数据归一化与反归一化处理 | 第56页 |
| 4.2.2 剩余车位数短时预测 | 第56-59页 |
| 4.2.3 参数调整 | 第59-61页 |
| 4.2.4 预测效果评价 | 第61-66页 |
| 4.3 基于LSTM网络的剩余车位数长时预测 | 第66-68页 |
| 4.3.1 长时综合预测 | 第66-67页 |
| 4.3.2 预测效果评价 | 第67-68页 |
| 4.4 LSTM网络与ARIMA剩余车位数预测结果对比 | 第68-71页 |
| 4.4.1 短时预测结果对比 | 第69-70页 |
| 4.4.2 长时预测结果对比 | 第70-71页 |
| 4.5 本章小结 | 第71-73页 |
| 第五章 总结与展望 | 第73-77页 |
| 5.1 总结 | 第73-76页 |
| 5.1.1 用户泊车行为总结 | 第73-74页 |
| 5.1.2 剩余车位数预测总结 | 第74-76页 |
| 5.2 展望 | 第76-77页 |
| 参考文献 | 第77-80页 |
| 研究成果 | 第80-81页 |
| 致谢 | 第81-82页 |