基于深度学习的短时交通流量预测研究
| 摘要 | 第2-3页 |
| abstract | 第3页 |
| 第一章 绪论 | 第6-11页 |
| 1.1 研究背景与意义 | 第6-7页 |
| 1.2 国内外研究现状 | 第7-9页 |
| 1.3 本文主要研究内容与组织结构 | 第9-11页 |
| 1.3.1 论文研究内容 | 第9-10页 |
| 1.3.2 论文组织结构 | 第10-11页 |
| 第二章 短时交通流预测研究 | 第11-16页 |
| 2.1 短时交通流预测概述 | 第11页 |
| 2.2 短时交通流特性分析 | 第11-13页 |
| 2.3 短时交通流预测模型构建依据 | 第13页 |
| 2.4 短时交通流预测评价标准 | 第13-14页 |
| 2.5 短时交通流量的预测流程 | 第14-15页 |
| 2.6 本章小结 | 第15-16页 |
| 第三章 深度学习理论 | 第16-27页 |
| 3.1 深度学习概述 | 第16页 |
| 3.1.1 深度学习的基本概念 | 第16页 |
| 3.2 深度学习的训练算法 | 第16-18页 |
| 3.3 常见的深度学习模型和方法 | 第18-25页 |
| 3.3.1 自编码器 | 第18-20页 |
| 3.3.2 栈式自编码 | 第20-21页 |
| 3.3.3 循环神经网络 | 第21-25页 |
| 3.4 深度学习的优点和应用 | 第25-26页 |
| 3.5 本章小结 | 第26-27页 |
| 第四章 LSTM-SVR短时交通流预测模型 | 第27-45页 |
| 4.1 短时交通流分析 | 第27-28页 |
| 4.2 LSTM-SVR短时交通流预测模型 | 第28-31页 |
| 4.2.1 特征提取 | 第28-29页 |
| 4.2.2 预测器 | 第29-30页 |
| 4.2.3 算法描述 | 第30页 |
| 4.2.4 预测过程 | 第30-31页 |
| 4.3 实验与验证 | 第31-44页 |
| 4.3.1 交通流数据来源 | 第31-32页 |
| 4.3.2 缺失数据填补 | 第32页 |
| 4.3.3 数据归一化处理 | 第32-33页 |
| 4.3.4 交通流数据相空间关联 | 第33-35页 |
| 4.3.5 实验环境 | 第35页 |
| 4.3.6 模型参数的设定 | 第35-37页 |
| 4.3.7 不同时间间隔的预测分析 | 第37-39页 |
| 4.3.8 工作日和非工作日的预测分析 | 第39-41页 |
| 4.3.9 高峰期的预测分析 | 第41-43页 |
| 4.3.10 预测结果对比分析 | 第43-44页 |
| 4.4 本章小结 | 第44-45页 |
| 第五章 基于数据增强的短时交通流量预测 | 第45-54页 |
| 5.1 问题分析 | 第45页 |
| 5.2 基于自编码交通流量数据集增强 | 第45-49页 |
| 5.2.1 数据增强方法 | 第45-47页 |
| 5.2.2 预测结果及分析 | 第47-49页 |
| 5.3 基于高斯噪声交通流量数据增强 | 第49-52页 |
| 5.3.1 数据增强方法 | 第49页 |
| 5.3.2 预测结果与分析 | 第49-52页 |
| 5.4 混合使用两种增强数据 | 第52-53页 |
| 5.5 本章小结 | 第53-54页 |
| 第六章 总结与展望 | 第54-56页 |
| 6.1 总结 | 第54页 |
| 6.2 展望 | 第54-56页 |
| 参考文献 | 第56-59页 |
| 攻读学位期间的研究成果 | 第59-60页 |
| 致谢 | 第60-61页 |
