基于周期性分量提取的城市快速路交通流短时预测理论与方法研究
| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7-8页 |
| 1 绪论 | 第15-21页 |
| 1.1 研究背景 | 第15-16页 |
| 1.2 研究意义 | 第16页 |
| 1.3 技术路线 | 第16-17页 |
| 1.4 研究内容与框架 | 第17-21页 |
| 2 国内外现状研究综述 | 第21-29页 |
| 2.1 单一断面交通流预测 | 第21-27页 |
| 2.1.1 线性系统方法 | 第22-23页 |
| 2.1.2 机器学习方法 | 第23-24页 |
| 2.1.3 非线性系统方法 | 第24-25页 |
| 2.1.4 交通仿真方法 | 第25-26页 |
| 2.1.5 组合模型方法 | 第26-27页 |
| 2.2 多断面交通流预测 | 第27页 |
| 2.3 本章小结 | 第27-29页 |
| 3 城市快速路交通流数据分析 | 第29-45页 |
| 3.1 数据预处理 | 第29-34页 |
| 3.1.1 主路数据预处理 | 第29-32页 |
| 3.1.2 出入口数据预处理 | 第32-34页 |
| 3.2 交通流特征分析 | 第34-41页 |
| 3.2.1 交通流参数 | 第34-36页 |
| 3.2.2 参数相互关系 | 第36-40页 |
| 3.2.3 交通流特点 | 第40-41页 |
| 3.3 相关系数分析 | 第41-43页 |
| 3.4 本章小结 | 第43-45页 |
| 4 基于周期性分量提取的快速路交通流短时预测 | 第45-59页 |
| 4.1 周期性分量预测 | 第45-47页 |
| 4.1.1 傅里叶级数理论 | 第45-47页 |
| 4.1.2 周期性分量求解 | 第47页 |
| 4.2 残差项短时预测 | 第47-55页 |
| 4.2.1 自回归积分滑动平均模型 | 第47-48页 |
| 4.2.2 支持向量机回归模型 | 第48-52页 |
| 4.2.3 长短时记忆神经网络模型 | 第52-55页 |
| 4.3 基于周期性分量提取的改进模型 | 第55-57页 |
| 4.3.1 周期性分量计算 | 第56页 |
| 4.3.2 残差项计算 | 第56-57页 |
| 4.4 本章小结 | 第57-59页 |
| 5 实证性研究 | 第59-103页 |
| 5.1 实证概况 | 第59-60页 |
| 5.1.1 研究范围 | 第59-60页 |
| 5.1.2 预测指标 | 第60页 |
| 5.2 城市快速路主路断面短时预测 | 第60-85页 |
| 5.2.1 主路周期性分量提取 | 第60-62页 |
| 5.2.2 主路流量预测模型参数确定 | 第62-64页 |
| 5.2.3 主路预测结果分析 | 第64-85页 |
| 5.3 城市快速路出入口断面短时预测 | 第85-99页 |
| 5.3.1 出入口周期性分量提取 | 第85-86页 |
| 5.3.2 出入口流量预测模型参数确定 | 第86页 |
| 5.3.3 出入口预测结果分析 | 第86-99页 |
| 5.4 与原始模型的对比 | 第99-102页 |
| 5.5 本章小结 | 第102-103页 |
| 6 总结与展望 | 第103-105页 |
| 6.1 研究总结 | 第103-104页 |
| 6.2 研究展望 | 第104-105页 |
| 参考文献 | 第105-109页 |
| 附录A | 第109-125页 |
| 附录B | 第125-131页 |
| 作者简历及攻读硕士学位期间取得的研究成果 | 第131-135页 |
| 学位论文数据集 | 第135页 |
