| 摘要 | 第4-6页 |
| abstract | 第6-7页 |
| 第1章 绪论 | 第11-15页 |
| 1.1 研究背景及意义 | 第11-12页 |
| 1.2 空余停车位预测问题国内外研究现状 | 第12-14页 |
| 1.2.1 国外研究现状 | 第12-13页 |
| 1.2.2 国内研究现状 | 第13-14页 |
| 1.3 本文的主要工作 | 第14页 |
| 1.4 本文的结构安排 | 第14-15页 |
| 第2章 本文相关理论 | 第15-31页 |
| 2.1 时间序列预测方法 | 第15-18页 |
| 2.1.1 时间序列概念 | 第15页 |
| 2.1.2 时间序列分析方法 | 第15-17页 |
| 2.1.3 时间序列预测评价标准 | 第17-18页 |
| 2.2 循环神经网络(RNN)相关技术 | 第18-24页 |
| 2.2.1 循环神经网络概念 | 第18-19页 |
| 2.2.2 循环神经网络基本原理 | 第19-20页 |
| 2.2.3 循环神经网络梯度下降 | 第20-21页 |
| 2.2.4 循环神经网络梯度消失与梯度爆炸 | 第21-24页 |
| 2.3 ADABOOST算法 | 第24-27页 |
| 2.3.1 集成学习简介 | 第24-25页 |
| 2.3.2 Boosting算法基本原理 | 第25-26页 |
| 2.3.3 用于预测的AdaBoost算法 | 第26-27页 |
| 2.4 遗传算法 | 第27-30页 |
| 2.4.1 遗传算法思想 | 第27页 |
| 2.4.2 遗传算法基本原理 | 第27-29页 |
| 2.4.3 遗传算法流程 | 第29-30页 |
| 2.5 本章小结 | 第30-31页 |
| 第3章 基于GRU结构的RNN泊车位预测算法 | 第31-45页 |
| 3.1 引言 | 第31页 |
| 3.2 算法基本流程与算法描述 | 第31-32页 |
| 3.3 基于GRU结构RNN结构设计 | 第32-39页 |
| 3.3.1 循环神经网络长期依赖问题 | 第32-33页 |
| 3.3.2 基于LSTM结构的RNN原理 | 第33-34页 |
| 3.3.3 基于GRU结构的RNN原理 | 第34-35页 |
| 3.3.4 实验数据准备 | 第35-36页 |
| 3.3.5 设置输入序列数据的步长 | 第36-37页 |
| 3.3.6 RNN隐含层数与节点数的选择 | 第37页 |
| 3.3.7 算法创建 | 第37-39页 |
| 3.4 实验结果分析 | 第39-44页 |
| 3.4.1 实验环境及评价标准 | 第39页 |
| 3.4.2 实验分析与其他算法对比分析 | 第39-44页 |
| 3.5 本章小结 | 第44-45页 |
| 第4章 基于遗传算法的RNN与ADABOOST组合泊车位预测算法 | 第45-55页 |
| 4.1 引言 | 第45页 |
| 4.2 算法流程与描述 | 第45-47页 |
| 4.3 算法详细设计 | 第47-50页 |
| 4.3.1 遗传算法的设计 | 第47-48页 |
| 4.3.2 RNN算法的设计 | 第48页 |
| 4.3.3 AdaBoost算法的设计 | 第48-49页 |
| 4.3.4 结果集成处理 | 第49-50页 |
| 4.4 实验结果与分析 | 第50-54页 |
| 4.4.1 实验环境与评价标准 | 第50页 |
| 4.4.2 预测结果与对比分析 | 第50-54页 |
| 4.5 本章小结 | 第54-55页 |
| 第5章 总结与展望 | 第55-57页 |
| 5.1 工作总结 | 第55页 |
| 5.2 研究展望 | 第55-57页 |
| 参考文献 | 第57-61页 |
| 作者简介及在学期间所取得的科研成果 | 第61-62页 |
| 致谢 | 第62页 |