| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第8-15页 |
| 1.1 研究背景及意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-12页 |
| 1.3 本文主要工作及创新点 | 第12-13页 |
| 1.4 本文结构 | 第13-15页 |
| 第二章 理论基础介绍 | 第15-29页 |
| 2.1 交通流特性分析 | 第15-17页 |
| 2.2 交通流特性分析方法 | 第17-21页 |
| 2.2.1 相似性判据 | 第17-18页 |
| 2.2.2 集合经验模态分解 | 第18-20页 |
| 2.2.3 近似熵 | 第20-21页 |
| 2.3 预测模型 | 第21-26页 |
| 2.3.1 BP神经网络 | 第22-23页 |
| 2.3.2 小波神经网络 | 第23-25页 |
| 2.3.3 最小二乘支持向量机 | 第25-26页 |
| 2.4 评价指标 | 第26-27页 |
| 2.5 本章小结 | 第27-29页 |
| 第三章 基于相似性的短时交通流预测 | 第29-41页 |
| 3.1 引言 | 第29-30页 |
| 3.2 数据来源与处理 | 第30-31页 |
| 3.3 小波神经网络预测结果分析 | 第31-39页 |
| 3.3.1 相似性判断 | 第31-34页 |
| 3.3.2 预测分析及评价 | 第34-39页 |
| 3.4 本章小结 | 第39-41页 |
| 第四章 基于EEMD和WNN的短时交通流组合预测 | 第41-49页 |
| 4.1 引言 | 第41-42页 |
| 4.2 数据的选取 | 第42页 |
| 4.3 EEMD-WNN预测模型的构建 | 第42-43页 |
| 4.4 预测结果分析 | 第43-48页 |
| 4.4.1 集合经验模态分解 | 第43-45页 |
| 4.4.2 预测分析及评价 | 第45-48页 |
| 4.5 本章小结 | 第48-49页 |
| 第五章 基于EEMD-ApEn-WNN的短时交通流组合预测 | 第49-65页 |
| 5.1 引言 | 第49-50页 |
| 5.2 数据的选取 | 第50-51页 |
| 5.3 EEMD-ApEn-WNN预测模型的构建 | 第51-52页 |
| 5.4 预测结果分析 | 第52-57页 |
| 5.4.1 集合经验模态分解与近似熵计算 | 第52-53页 |
| 5.4.2 预测结果分析 | 第53-57页 |
| 5.5 重大节假日短时交通流预测 | 第57-63页 |
| 5.6 本章小结 | 第63-65页 |
| 第六章 总结与展望 | 第65-67页 |
| 6.1 总结 | 第65-66页 |
| 6.2 展望 | 第66-67页 |
| 参考文献 | 第67-71页 |
| 致谢 | 第71-72页 |
| 作者简介 | 第72-73页 |