| 摘要 | 第2-3页 |
| Abstract | 第3页 |
| 第一章 绪论 | 第6-16页 |
| 1.1 课题的研究背景及其意义 | 第6-7页 |
| 1.2 智能交通系统 | 第7-10页 |
| 1.2.1 先进的出行者信息系统（ATIS) | 第8-9页 |
| 1.2.2 先进的交通管理系统(ATMS) | 第9-10页 |
| 1.3 交通流预测的研究与发展 | 第10-12页 |
| 1.3.1 交通流预测国内外研究动态 | 第10-12页 |
| 1.4 短时交通流预测的研究与发展 | 第12-15页 |
| 1.4.1 卡尔曼滤波 | 第13-14页 |
| 1.4.2 神经网络模型 | 第14-15页 |
| 1.5 论文研究的内容及目标 | 第15-16页 |
| 第二章 人工神经网络理论 | 第16-28页 |
| 2.1 神经网络的基本概念 | 第16-18页 |
| 2.1.1 生物神经元的结构与功能 | 第16-17页 |
| 2.1.2 神经网络的特点 | 第17页 |
| 2.1.3 常用的神经网络模型 | 第17-18页 |
| 2.2 BP神经网络 | 第18-23页 |
| 2.2.1 BP神经元结构模型 | 第19页 |
| 2.2.2 BP神经网络拓扑结构 | 第19-20页 |
| 2.2.3 BP算法的基本描述 | 第20-22页 |
| 2.2.4 BP神经网络的优缺点 | 第22-23页 |
| 2.3 RBF神经网络 | 第23-26页 |
| 2.3.1 RBF神经网络结构 | 第23-25页 |
| 2.3.2 RBF神经网络的学习算法 | 第25-26页 |
| 2.4 本章小结 | 第26-28页 |
| 第三章 聚类分析与K-均值聚类算法 | 第28-42页 |
| 3.1 聚类分析与算法 | 第28-33页 |
| 3.1.1 聚类的定义 | 第28页 |
| 3.1.2 聚类分析中不同的数据类型 | 第28-32页 |
| 3.1.3 相似性度量 | 第32-33页 |
| 3.2 K-均值聚类算法 | 第33-35页 |
| 3.2.1 K-均值聚类算法流程和运行过程 | 第33-34页 |
| 3.2.2 K-均值聚类算法的优缺点分析 | 第34-35页 |
| 3.3 基于支持向量机的K-均值聚类算法 | 第35-39页 |
| 3.3.1 支持向量机 | 第36页 |
| 3.3.2 最优分类面 | 第36-37页 |
| 3.3.3 支持向量机的分类 | 第37-39页 |
| 3.4 最小二乘法 | 第39-40页 |
| 3.4.1 最小二乘法的概述 | 第39页 |
| 3.4.2 最小二乘法的原理 | 第39-40页 |
| 3.5 本章小结 | 第40-42页 |
| 第四章 基于支持向量机和K-均值聚类的RBF短时交通流预测仿真实验 | 第42-50页 |
| 4.1 基于K-均值聚类的RBF神经网络的学习算法 | 第42-43页 |
| 4.1.1 K-均值聚类算法确定基函数中心的方法 | 第42页 |
| 4.1.2 采用最小二乘法对RBF网络权值的处理 | 第42-43页 |
| 4.2 交通流量的数据来源 | 第43-45页 |
| 4.3 计算机仿真 | 第45-47页 |
| 4.4 基于支持向量机和K-均值聚类的RBF短时交通流预测 | 第47-48页 |
| 4.5 本章小结 | 第48-50页 |
| 结论与展望 | 第50-52页 |
| 参考文献 | 第52-56页 |
| 攻读学位期间的研究成果 | 第56-58页 |
| 致谢 | 第58-60页 |
