城市快速路交通参数预测方法研究
| 第一章 绪论 | 第1-15页 |
| ·智能交通系统概述 | 第7-8页 |
| ·国内外研究现状 | 第8-10页 |
| ·城市交通流诱导系统的结构框架 | 第10-13页 |
| ·本文的研究内容 | 第13-14页 |
| ·本文的章节安排 | 第14-15页 |
| 第二章 交通参数短时预测的常规预测方法 | 第15-21页 |
| ·研究背景 | 第15-16页 |
| ·交通参数短时预测的常规方法 | 第16-19页 |
| ·多元回归预测 | 第16-17页 |
| ·指数平滑预测 | 第17-18页 |
| ·自回归综合移动平均(ARIMA) | 第18-19页 |
| ·常规算法交通参数预测仿真 | 第19-21页 |
| 第三章 人工神经网络简介 | 第21-32页 |
| ·概述 | 第21页 |
| ·简化的神经元数学模型 | 第21-22页 |
| ·人工神经网络研究的发展简史 | 第22-24页 |
| ·人工神经网络的完备描述 | 第24-28页 |
| ·网络结构 | 第24-25页 |
| ·神经元特性 | 第25-26页 |
| ·学习方法 | 第26-28页 |
| ·人工神经网络常见的学习算法 | 第28-32页 |
| 第四章 基于 BP 神经网络的交通参数预测 | 第32-52页 |
| ·概述 | 第32-33页 |
| ·误差反传算法原理 | 第33-38页 |
| ·误差反传算法的数学描述 | 第33-35页 |
| ·BP 神经网络结构设计 | 第35-38页 |
| ·BP 算法的改进 | 第38-40页 |
| ·BP 算法的局限 | 第38页 |
| ·Levenberg-Marquart 算法 | 第38-40页 |
| ·BP 神经网络预测模型 | 第40-41页 |
| ·预测模型的结构 | 第40-41页 |
| ·预测模型的实现与构成 | 第41页 |
| ·BP 网络程序设计 | 第41-42页 |
| ·BP 神经网络预测结果评价 | 第42-43页 |
| ·数据预处理方法 | 第43-44页 |
| ·BP 神经网络预测仿真 | 第44-51页 |
| ·常规BP 算法 | 第44-48页 |
| ·L-M 算法 | 第48-51页 |
| ·仿真总结 | 第51-52页 |
| 第五章 基于 RBF 网络的交通参数预测 | 第52-59页 |
| ·概述 | 第52页 |
| ·RBF 网络结构 | 第52-54页 |
| ·RBF 网络的理论基础 | 第54-55页 |
| ·RBF 神经网络预测仿真 | 第55-58页 |
| ·RBF 神经网络预测交通参数结果分析 | 第58-59页 |
| 第六章 基于数据融合的交通参数预测 | 第59-64页 |
| ·概述 | 第59页 |
| ·数据融合算法设计 | 第59-61页 |
| ·融合模型的建立 | 第60-61页 |
| ·权重的确定方法 | 第61页 |
| ·仿真分析 | 第61-63页 |
| ·小结 | 第63-64页 |
| 第七章 论文总结 | 第64-66页 |
| ·总结 | 第64-65页 |
| ·展望 | 第65-66页 |
| 参考文献 | 第66-69页 |
| 摘要 | 第69-72页 |
| ABSTRACT | 第72-75页 |
| 致谢 | 第75-76页 |
| 导师及作者简介 | 第76页 |
