| 摘要 | 第6-7页 |
| Abstract | 第7页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.1.1 研究背景 | 第10页 |
| 1.1.2 研究意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-14页 |
| 1.3 本文主要内容及结构安排 | 第14-16页 |
| 第2章 交通流量数据预处理 | 第16-21页 |
| 2.1 交通流量数据来源 | 第16页 |
| 2.2 实验数据集 | 第16-17页 |
| 2.3 交通流量数据预处理 | 第17-20页 |
| 2.3.1 数据修复 | 第17页 |
| 2.3.2 数据降噪 | 第17-19页 |
| 2.3.3 数据相空间重构 | 第19-20页 |
| 2.3.4 数据归一化 | 第20页 |
| 2.4 本章小结 | 第20-21页 |
| 第3章 基于WNN的短时交通流预测 | 第21-32页 |
| 3.1 神经网络相关理论 | 第21-24页 |
| 3.1.1 BP神经网络 | 第21-22页 |
| 3.1.2 小波神经网络 | 第22-24页 |
| 3.2 小波神经网络参数确定 | 第24-25页 |
| 3.2.1 小波基函数的选择 | 第24-25页 |
| 3.2.2 小波神经网络结构的确定 | 第25页 |
| 3.3 基于WNN的短时交通流预测 | 第25-31页 |
| 3.3.1 实验数据说明 | 第25页 |
| 3.3.2 实验评价指标 | 第25-26页 |
| 3.3.3 基于WNN的短时交通流预测算法流程 | 第26-27页 |
| 3.3.4 实验结果及分析 | 第27-31页 |
| 3.4 本章小结 | 第31-32页 |
| 第4章 基于IWPA-WNN的短时交通流预测 | 第32-47页 |
| 4.1 狼群算法 | 第32-35页 |
| 4.1.1 狼群算法原理 | 第32-34页 |
| 4.1.2 狼群算法流程 | 第34-35页 |
| 4.2 基于WPA-WNN短时交通流预测 | 第35-39页 |
| 4.2.1 狼群算法参数设置 | 第35页 |
| 4.2.2 基于WPA-WNN的短时交通流预测流程图 | 第35-36页 |
| 4.2.3 实验结果及分析 | 第36-39页 |
| 4.3 基于三种智能算法的WNN短时交通流预测结果比较 | 第39-43页 |
| 4.3.1 基于PSO-WNN的短时交通流预测 | 第39-41页 |
| 4.3.2 基于GA-WNN的短时交通流预测 | 第41-43页 |
| 4.3.3 三种模型预测效果对比分析 | 第43页 |
| 4.4 基于IWPA-WNN的短时交通流预测 | 第43-46页 |
| 4.4.1 狼群算法改进 | 第43-44页 |
| 4.4.2 基于IWPA-WNN短时交通流预测 | 第44-46页 |
| 4.5 本章小结 | 第46-47页 |
| 第5章 基于EC-IWPA-WNN的短时交通流预测 | 第47-57页 |
| 5.1 误差补偿 | 第47-48页 |
| 5.1.1 误差补偿方法 | 第47页 |
| 5.1.2 误差补偿应用 | 第47-48页 |
| 5.2 基于EC-WNN短时交通流预测算法步骤 | 第48-49页 |
| 5.2.1 EC-WNN短时交通流预测算法介绍 | 第48-49页 |
| 5.2.2 EC-WNN的算法流程 | 第49页 |
| 5.3 基于EC-WNN短时交通流预测 | 第49-54页 |
| 5.3.1 实验数据 | 第49-50页 |
| 5.3.2 实验结果及分析 | 第50-54页 |
| 5.4 基于EC-IWPA-WNN短时交通流预测 | 第54-56页 |
| 5.5 本章小结 | 第56-57页 |
| 结论 | 第57-58页 |
| 致谢 | 第58-59页 |
| 参考文献 | 第59-62页 |
