| 摘要 | 第2-3页 |
| Abstract | 第3页 |
| 第一章 引言 | 第6-14页 |
| 1.1 研究背景与意义 | 第6-7页 |
| 1.2 国内外研究现状 | 第7-11页 |
| 1.2.1 智能公交系统研究现状 | 第7-8页 |
| 1.2.2 公交到站时间预测研究现状 | 第8-11页 |
| 1.3 课题的研究内容及组织结构 | 第11-14页 |
| 第二章 相关算法及理论知识介绍 | 第14-28页 |
| 2.1 公交到站时间预测技术 | 第14-19页 |
| 2.1.1 历史数据模型 | 第14-15页 |
| 2.1.2 统计回归模型 | 第15页 |
| 2.1.3 卡尔曼滤波模型 | 第15-16页 |
| 2.1.4 人工神经网络模型 | 第16-18页 |
| 2.1.5 支持向量机模型 | 第18-19页 |
| 2.1.6 预测模型的简单比较 | 第19页 |
| 2.2 深度学习相关技术 | 第19-27页 |
| 2.2.1 深度学习概述 | 第19-20页 |
| 2.2.2 深度学习的常用模型与方法 | 第20-26页 |
| 2.2.3 深度学习的过程 | 第26-27页 |
| 2.3 本章小结 | 第27-28页 |
| 第三章 基于LSTM的公交到站时间预测模型 | 第28-40页 |
| 3.1 公交到站时间预测概述及影响因素分析 | 第28-29页 |
| 3.1.1 静态因素 | 第28-29页 |
| 3.1.2 动态因素 | 第29页 |
| 3.2 基于LSTM网络的公交到站时间预测模型的构建 | 第29-32页 |
| 3.2.1 数据预处理 | 第30-31页 |
| 3.2.2 模型的构建 | 第31-32页 |
| 3.3 公交到站时间预测的应用 | 第32-38页 |
| 3.3.1 原始数据介绍 | 第32-34页 |
| 3.3.2 公交到站时间的基本预测 | 第34-35页 |
| 3.3.3 模式不同的公交到站时间预测 | 第35-37页 |
| 3.3.4 网络结构不同的公交到站时间预测 | 第37-38页 |
| 3.4 拥堵高峰期的公交到站时间预测 | 第38页 |
| 3.5 本章小结 | 第38-40页 |
| 第四章 基于多因素的公交到站时间预测模型 | 第40-54页 |
| 4.1 改进的公交到站时间预测模型 | 第40-44页 |
| 4.1.1 改变网络的参数 | 第40-44页 |
| 4.1.2 基于多因素的公交到站时间预测模型 | 第44页 |
| 4.2 改进的多因素公交到站时间预测模型 | 第44-48页 |
| 4.2.1 三个组合因素对到站时间波动性的影响分析 | 第45-47页 |
| 4.2.2 改进的方法 | 第47页 |
| 4.2.3 实验结果及分析 | 第47-48页 |
| 4.3 增加数据集的方法 | 第48-51页 |
| 4.4 本章小结 | 第51-54页 |
| 第五章 总结与展望 | 第54-56页 |
| 5.1 结论 | 第54页 |
| 5.2 展望 | 第54-56页 |
| 参考文献 | 第56-60页 |
| 攻读学位期间的研究成果 | 第60-62页 |
| 致谢 | 第62-63页 |