摘要 | 第6-7页 |
Abstract | 第7页 |
第1章 绪论 | 第11-16页 |
1.1 研究背景及意义 | 第11-12页 |
1.1.1 研究背景 | 第11页 |
1.1.2 研究意义 | 第11-12页 |
1.2 国内外研究现状 | 第12-14页 |
1.2.1 短时交通流预测研究现状 | 第12-14页 |
1.2.2 神经网络研究现状 | 第14页 |
1.3 本文主要内容及结构安排 | 第14-16页 |
第2章 交通流数据分析及预处理 | 第16-23页 |
2.1 交通流基本特征参数 | 第16-17页 |
2.2 实验数据来源 | 第17页 |
2.3 交通流数据预处理 | 第17-22页 |
2.3.1 异常数据修正 | 第17-18页 |
2.3.2 数据降噪处理 | 第18-19页 |
2.3.3 数据相空间重构 | 第19-22页 |
2.3.4 数据归一化处理 | 第22页 |
2.4 本章小结 | 第22-23页 |
第3章 基于WNN的短时交通流预测 | 第23-33页 |
3.1 小波神经网络相关理论 | 第23-27页 |
3.1.1 BP神经网络 | 第23-25页 |
3.1.2 小波神经网络 | 第25-27页 |
3.2 小波神经网络预测算法 | 第27-28页 |
3.2.1 小波基函数的选择 | 第27页 |
3.2.2 小波神经网络结构的确定 | 第27-28页 |
3.2.3 小波神经网络学习算法的改进 | 第28页 |
3.3 基于WNN的短时交通流预测仿真实验 | 第28-32页 |
3.3.1 实验数据说明 | 第28-29页 |
3.3.2 实验评价指标 | 第29页 |
3.3.3 基于WNN的短时交通流预测算法步骤 | 第29-30页 |
3.3.4 实验结果及分析 | 第30-32页 |
3.4 本章小结 | 第32-33页 |
第4章 基于Bagging-WNN的短时交通流预测 | 第33-44页 |
4.1 集成学习理论 | 第33-36页 |
4.1.1 学习器生成方式 | 第33-34页 |
4.1.2 学习器组合方法 | 第34页 |
4.1.3 集成学习算法 | 第34-36页 |
4.2 集成小波神经网络预测算法 | 第36-38页 |
4.2.1 集成学习算法的选择 | 第36页 |
4.2.2 学习器个数的选择 | 第36-37页 |
4.2.3 训练集的产生 | 第37页 |
4.2.4 学习器输出结果的组合方式 | 第37-38页 |
4.3 基于Bagging-WNN的短时交通流预测仿真实验 | 第38-43页 |
4.3.1 基于Bagging-WNN的短时交通流预测算法步骤 | 第38-39页 |
4.3.2 实验结果及分析 | 第39-43页 |
4.4 本章总结 | 第43-44页 |
第5章 基于ACS-Bagging-WNN的短时交通流预测 | 第44-62页 |
5.1 布谷鸟算法 | 第44-46页 |
5.1.1 布谷鸟算法原理 | 第44-45页 |
5.1.2 布谷鸟算法流程 | 第45-46页 |
5.2 基于布谷鸟算法的集成小波神经网络预测算法 | 第46-47页 |
5.2.1 布谷鸟算法相关参数的选择 | 第46页 |
5.2.2 路径和位置更新方式 | 第46-47页 |
5.3 基于CS-Bagging-WNN的短时交通流预测仿真实验 | 第47-52页 |
5.3.1 基于CS-Bagging-WNN的短时交通流预测算法步骤 | 第47-49页 |
5.3.2 实验结果及分析 | 第49-52页 |
5.4 几种智能学习算法在短时交通流预测性能上的比较分析 | 第52-57页 |
5.4.1 基于GA-Bagging-WNN的短时交通流预测仿真实验 | 第52-54页 |
5.4.2 基于PSO-Bagging-WNN的短时交通流预测仿真实验 | 第54-56页 |
5.4.3 不同模型的对比分析 | 第56-57页 |
5.5 基于ACS-Bagging-WNN的短时交通流预测仿真实验 | 第57-61页 |
5.5.1 自适应更新率布谷鸟算法 | 第57-59页 |
5.5.2 基于ACS-Bagging-WNN的短时交通流预测仿真实验 | 第59-61页 |
5.6 本章小结 | 第61-62页 |
结论 | 第62-63页 |
致谢 | 第63-64页 |
参考文献 | 第64-69页 |
攻读硕士学位期间发表的论文 | 第69页 |