| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7页 |
| 1 引言 | 第10-12页 |
| 1.1 研究背景 | 第10页 |
| 1.2 研究内容 | 第10-11页 |
| 1.3 论文内容 | 第11页 |
| 1.4 本章小结 | 第11-12页 |
| 2 基于WEKA的交通流数据处理平台搭建 | 第12-19页 |
| 2.1 引言 | 第12页 |
| 2.2 数据库概述 | 第12-15页 |
| 2.2.1 数据库的研究现状 | 第12页 |
| 2.2.2 SQL Server数据库及其特点 | 第12-15页 |
| 2.3 数据挖掘工具概述 | 第15-17页 |
| 2.3.1 数据挖掘工具研究现状 | 第15页 |
| 2.3.2 数据挖掘工具WEKA及其特点 | 第15-17页 |
| 2.4 基于WEKA的交通流数据处理平台 | 第17-18页 |
| 2.4.1 平台的搭建 | 第17-18页 |
| 2.5 本章小结 | 第18-19页 |
| 3 K-MEANS聚类与BP神经网络的组合交通流预测 | 第19-33页 |
| 3.1 引言 | 第19页 |
| 3.2 交通流预测概述 | 第19-23页 |
| 3.2.1 交通流预测算法的研究现状 | 第19-21页 |
| 3.2.2 国内外交通流量预测的主要模型 | 第21-23页 |
| 3.3 交通流数据处理分析流程 | 第23-24页 |
| 3.4 交通流数据存储及预处理 | 第24-25页 |
| 3.4.1 交通流数据存储 | 第24页 |
| 3.4.2 数据补偿 | 第24-25页 |
| 3.4.3 数据去噪处理及标准化 | 第25页 |
| 3.5 基于聚类的神经网络组合预测模型设计 | 第25-31页 |
| 3.5.1 聚类的特点及其优越性 | 第26-27页 |
| 3.5.2 K-means聚类算法 | 第27页 |
| 3.5.3 神经网络的特点及其优越性 | 第27-29页 |
| 3.5.4 BP神经网络模型 | 第29-30页 |
| 3.5.5 基于K-Means聚类的BP神经网络预测算法 | 第30-31页 |
| 3.6 交通流预测评价指标 | 第31-32页 |
| 3.7 本章小结 | 第32-33页 |
| 4 交通流长时预测仿真实验 | 第33-46页 |
| 4.1 引言 | 第33页 |
| 4.2 交通流数据预处理 | 第33-39页 |
| 4.2.1 数据存储、属性筛选的实现 | 第33-36页 |
| 4.2.2 丢失数据补偿、去噪处理以及标准化的实现 | 第36-39页 |
| 4.3 交通流数据预测 | 第39-42页 |
| 4.3.1 K-means聚类 | 第39-40页 |
| 4.3.2 BP神经网络长时预测 | 第40-42页 |
| 4.4 交通流长时预测评价 | 第42-44页 |
| 4.5 本章小结 | 第44-46页 |
| 5 交通流短时预测及其仿真实验 | 第46-51页 |
| 5.1 引言 | 第46页 |
| 5.2 短时交通流预测原理 | 第46页 |
| 5.3 交通流短时预测仿真实验 | 第46-49页 |
| 5.3.1 K-means聚类 | 第47页 |
| 5.3.2 BP神经网络预测 | 第47-49页 |
| 5.4 基于WEKA的集成交通数据处理平台的优点 | 第49-50页 |
| 5.5 本章小结 | 第50-51页 |
| 6 结论 | 第51-52页 |
| 参考文献 | 第52-55页 |
| 附录A | 第55-57页 |
| 图索引 | 第57-58页 |
| Figure Index | 第58-59页 |
| 作者简历及攻读硕士/博士学位期间取得的研究成果 | 第59-61页 |
| 学位论文数据集 | 第61页 |
