摘要 | 第3-6页 |
Abstract | 第6-8页 |
第1章 绪论 | 第12-22页 |
1.1 交通流预测研究的背景与意义 | 第12-13页 |
1.2 交通流预测的研究现状 | 第13-18页 |
1.3 问题的提出 | 第18-19页 |
1.4 论文的主要内容和结构 | 第19-22页 |
第2章 交通流参数的检测与分析 | 第22-35页 |
2.1 交通流特性分析 | 第22-27页 |
2.1.1 交通流特性 | 第22-23页 |
2.1.2 交通流基本特征参数 | 第23-25页 |
2.1.3 交通流的基本特征参数之间的关系 | 第25-27页 |
2.2 交通流数据的检测 | 第27-29页 |
2.2.1 固定型采集技术 | 第27-28页 |
2.2.2 移动型采集技术 | 第28-29页 |
2.3 本文的数据来源 | 第29-30页 |
2.4 交通流数据的预处理 | 第30-34页 |
2.4.1 异常交通流数据的识别与处理 | 第31-33页 |
2.4.2 交通流数据的降噪处理 | 第33页 |
2.4.3 实测交通流数据的预处理 | 第33-34页 |
2.5 本章小结 | 第34-35页 |
第3章 交通流参数的混沌特性分析及相空间重构 | 第35-54页 |
3.1 混沌及其动力学特性 | 第35-40页 |
3.1.1 混沌理论的数学基础 | 第35-36页 |
3.1.2 混沌系统的表征参数和判定方法 | 第36-39页 |
3.1.3 典型混沌动力系统研究 | 第39-40页 |
3.2 交通流的混沌特性 | 第40-42页 |
3.2.1 交通流的混沌特性判定 | 第40-42页 |
3.2.2 交通流的混沌特性分析 | 第42页 |
3.3 多参数时间序列相空间重构 | 第42-52页 |
3.3.1 延迟时间和嵌入维数的选取 | 第43-44页 |
3.3.2 多参数时间序列相空间重构理论 | 第44-46页 |
3.3.3 典型混沌动力系统的相空间重构 | 第46-49页 |
3.3.4 交通流的多参数时间序列相空间重构 | 第49-52页 |
3.4 本章小结 | 第52-54页 |
第4章 基于单参数的短时交通流预测研究 | 第54-67页 |
4.1 基于SVR的短时交通流预测 | 第54-62页 |
4.1.1 支持向量回归机原理 | 第54-57页 |
4.1.2 基于SVR的短时交通流预测模型 | 第57-59页 |
4.1.3 短时交通流预测误差评判指标 | 第59-60页 |
4.1.4 基于SVR的平均车流量预测 | 第60-62页 |
4.2 基于RBF神经网络的短时交通流预测 | 第62-66页 |
4.2.1 基于RBF神经网络的短时交通流预测模型 | 第62-65页 |
4.2.2 基于RBF神经网络的平均车流量预测 | 第65-66页 |
4.3 本章小结 | 第66-67页 |
第5章 基于多参数融合的短时交通流预测研究 | 第67-83页 |
5.1 多交通流参数的融合方法 | 第67-71页 |
5.1.1 基于Bayesian估计理论的高维相空间中相点融合 | 第68-70页 |
5.1.2 典型混沌动力系统的相空间融合算法的验证 | 第70-71页 |
5.2 基于多交通流参数融合和SVR的短时交通流预测 | 第71-77页 |
5.2.1 多参数融合的SVR预测模型 | 第72页 |
5.2.2 基于多参数融合和SVR的短时交通流预测流程 | 第72-73页 |
5.2.3 高维相空间中的多交通流参数时间序列相点融合 | 第73-76页 |
5.2.4 基于多交通流参数融合和SVR的短时交通流预测 | 第76-77页 |
5.3 基于多交通流参数融合和RBF神经网络的短时交通流预测 | 第77-80页 |
5.3.1 多参数融合的RBF神经网络预测模型 | 第78页 |
5.3.2 基于多交通流参数融合和RBF神经网络的短时交通流预测流程 | 第78-79页 |
5.3.3 基于多交通流参数融合和RBF神经网络的短时交通流预测 | 第79-80页 |
5.4 短时交通流预测方法的对比 | 第80-81页 |
5.5 本章小结 | 第81-83页 |
第6章 全文总结与展望 | 第83-86页 |
6.1 全文工作总结 | 第83-85页 |
6.2 工作展望 | 第85-86页 |
参考文献 | 第86-92页 |
致谢 | 第92-94页 |
攻读硕士学位期间从事的科研工作及取得的成果 | 第94-95页 |