| 摘要 | 第3-4页 |
| ABSTRACT | 第4页 |
| 第一章 绪论 | 第8-14页 |
| 1.1 研究背景及意义 | 第8-9页 |
| 1.1.1 研究背景 | 第8页 |
| 1.1.2 研究目的及意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-11页 |
| 1.2.1 国外研究现状 | 第9-10页 |
| 1.2.2 国内研究现状 | 第10-11页 |
| 1.3 论文研究内容及方法 | 第11-12页 |
| 1.4 论文组织结构及框架 | 第12-13页 |
| 1.5 本章小结 | 第13-14页 |
| 第二章 城市道路交通流特性及影响因素分析 | 第14-23页 |
| 2.1 交通流基本特征参数 | 第14-15页 |
| 2.2 交通流的变化特性及分析 | 第15-18页 |
| 2.3 影响交通流的主要因素 | 第18-19页 |
| 2.4 交通流数据的来源及仿真 | 第19-22页 |
| 2.4.1 交通流数据来源 | 第19-20页 |
| 2.4.2 交通流数据仿真 | 第20-22页 |
| 2.5 本章小结 | 第22-23页 |
| 第三章 短时交通流小波分解与重构 | 第23-32页 |
| 3.1 小波分解与重构理论基础 | 第23-26页 |
| 3.1.1 小波变换的定义 | 第23-24页 |
| 3.1.2 正交小波和多分辨分析 | 第24页 |
| 3.1.3 Mallat小波分解与重构算法 | 第24-26页 |
| 3.2 短时交通流信号分解中关键问题的处理 | 第26-31页 |
| 3.2.1 小波函数与尺度函数的选择 | 第26-27页 |
| 3.2.2 分解尺度N的确定 | 第27页 |
| 3.2.3 信号边界失真问题改善 | 第27-28页 |
| 3.2.4 分解重构与预测的顺序问题 | 第28页 |
| 3.2.5 低频确定信号的分离 | 第28-31页 |
| 3.3 本章小结 | 第31-32页 |
| 第四章 神经网络理论 | 第32-43页 |
| 4.1 神经网络基本原理 | 第32-35页 |
| 4.1.1 神经网络的组成要素 | 第32-33页 |
| 4.1.2 神经网络的结构 | 第33-35页 |
| 4.2 神经网络的学习方式 | 第35-36页 |
| 4.3 神经网络常见的学习算法 | 第36-37页 |
| 4.4 两种常见的神经网络结构 | 第37-42页 |
| 4.4.1 BP神经网络 | 第37-40页 |
| 4.4.2 RBF神经网络 | 第40-42页 |
| 4.5 本章小结 | 第42-43页 |
| 第五章 改进的自适应遗传算法 | 第43-54页 |
| 5.1 遗传算法的概念及特点 | 第43-45页 |
| 5.1.1 遗传算法的基本原理与运行流程 | 第43-45页 |
| 5.1.2 遗传算法的特点 | 第45页 |
| 5.2 遗传算法的未收敛分析 | 第45-46页 |
| 5.3 当前遗传算法策略分析 | 第46-47页 |
| 5.4 现有的几种自适应遗传算法 | 第47-49页 |
| 5.5 改进的自适应遗传算法 | 第49-53页 |
| 5.5.1 评价种群早熟程度的新指标 | 第50页 |
| 5.5.2 遗传算法的控制参数 | 第50-51页 |
| 5.5.3 杂交率和变异率的自适应方法 | 第51页 |
| 5.5.4 算法流程 | 第51-53页 |
| 5.6 本章小结 | 第53-54页 |
| 第六章 预测模型的建立及仿真实验 | 第54-65页 |
| 6.1 预测模型的建立与分析 | 第54-61页 |
| 6.1.1 交通流数据处理 | 第54页 |
| 6.1.2 基于小波分析、自适应遗传算法以及 BP 神经网络的短时交通流预测 | 第54-61页 |
| 6.2 预测结果评价指标 | 第61页 |
| 6.3 三种方法预测结果分析及比较 | 第61-64页 |
| 6.4 本章小结 | 第64-65页 |
| 第七章 结论与展望 | 第65-67页 |
| 7.1 结论 | 第65页 |
| 7.2 研究展望 | 第65-67页 |
| 参考文献 | 第67-70页 |
| 个人简历 在读期间发表的学术论文 | 第70-71页 |
| 致谢 | 第71页 |