| 摘要 | 第4-6页 |
| abstract | 第6-7页 |
| 第1章 绪论 | 第11-16页 |
| 1.1 课题研究背景 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-14页 |
| 1.2.1 国外发展现状 | 第12-13页 |
| 1.2.2 国内发展现状 | 第13-14页 |
| 1.2.3 发展趋势 | 第14页 |
| 1.3 车位信息预测的实现方法 | 第14页 |
| 1.4 论文组织结构 | 第14-16页 |
| 第2章 相关理论介绍 | 第16-29页 |
| 2.1 时间序列预测技术 | 第16-20页 |
| 2.1.1 时间序列的概念 | 第16页 |
| 2.1.2 时间序列种类 | 第16-17页 |
| 2.1.3 时间序列预测方法 | 第17-19页 |
| 2.1.4 时间序列预测评判标准 | 第19-20页 |
| 2.2 BP神经网络 | 第20-23页 |
| 2.2.1 BP神经网络的基本原理 | 第20-21页 |
| 2.2.2 BP神经网络的学习过程 | 第21-23页 |
| 2.3 深度学习 | 第23-28页 |
| 2.3.1 深度学习简介 | 第23-24页 |
| 2.3.2 受限玻尔兹曼机 | 第24-25页 |
| 2.3.3 回归方法 | 第25-28页 |
| 2.4 本章小结 | 第28-29页 |
| 第3章 基于小波-ELM神经网络的短期停车泊位预测 | 第29-43页 |
| 3.1 引言 | 第29页 |
| 3.2 算法设计思想 | 第29-31页 |
| 3.3 相空间重构 | 第31-32页 |
| 3.4 离散小波变换 | 第32-33页 |
| 3.5 极限学习机简介 | 第33-35页 |
| 3.5.1 极限学习机现状 | 第33页 |
| 3.5.2 极限学习机原理 | 第33-35页 |
| 3.5.3 通过ELM神经网络进行训练 | 第35页 |
| 3.6 实验结果与分析 | 第35-42页 |
| 3.6.1 实验数据的预处理 | 第35-37页 |
| 3.6.2 隐层节点数的确定 | 第37-38页 |
| 3.6.3 与其他算法对比 | 第38-42页 |
| 3.7 本章小结 | 第42-43页 |
| 第4章 基于多任务学习-DBN神经网络的短期停车泊位预测 | 第43-53页 |
| 4.1 引言 | 第43页 |
| 4.2 算法设计思想 | 第43-44页 |
| 4.3 深度信任网络DBN | 第44-46页 |
| 4.4 多任务学习理论基础 | 第46-47页 |
| 4.5 实验结果与分析 | 第47-52页 |
| 4.5.1 算法调整 | 第47-49页 |
| 4.5.2 与其他模型对比 | 第49-52页 |
| 4.6 本章小结 | 第52-53页 |
| 第5章 总结与展望 | 第53-55页 |
| 5.1 工作总结 | 第53-54页 |
| 5.2 研究展望 | 第54-55页 |
| 参考文献 | 第55-59页 |
| 作者简介及在学期间所取得的科研成果 | 第59-60页 |
| 致谢 | 第60页 |