基于集成神经网络的城市道路交通流量融合预测研究
| 第1章 绪论 | 第1-26页 |
| §1．1 课题研究的背景和意义 | 第12-19页 |
| 1．1．1 交通问题现状及解决方法 | 第12-15页 |
| 1．1．2 智能运输系统简介 | 第15-16页 |
| 1．1．3 ISO标准中的ITS | 第16页 |
| 1．1．4 ITS国内外研究现状 | 第16-19页 |
| §1．2 交通流量研究概述 | 第19-23页 |
| 1．2．1 与ITS的关系 | 第19-20页 |
| 1．2．2 交通流量模型 | 第20-21页 |
| 1．2．3 交通流量预测 | 第21-22页 |
| 1．2．4 动态交通分配 | 第22-23页 |
| §1．3 课题研究的主要目的 | 第23-24页 |
| §1．4 课题研究的主要内容 | 第24-25页 |
| §1．5 本章小结 | 第25-26页 |
| 第2章 交通流量数据的获取与预处理 | 第26-31页 |
| §2．1 交通流量数据的获取 | 第26-28页 |
| 2．1．1 交通流量的采集 | 第26-27页 |
| 2．1．2 交通流量的仿真 | 第27-28页 |
| §2．2 流量数据的预处理 | 第28-30页 |
| 2．2．1 流量数据的滤波 | 第28-29页 |
| 2．2．2 流量数据的存储 | 第29-30页 |
| §2．3 本章小结 | 第30-31页 |
| 第3章 基于集成神经网络的流量融合预测模型 | 第31-47页 |
| §3．1 神经网络融合预测原理 | 第31-36页 |
| 3．1．1 数据融合理论和方法 | 第31-33页 |
| 3．1．2 神经网络的基本原理 | 第33-34页 |
| 3．1．3 集成神经网络融合预测 | 第34-36页 |
| §3．2 融合预测的数据模型 | 第36-43页 |
| 3．2．1 交通流量的分布特点 | 第36-41页 |
| 3．2．2 流量预测的数据模型 | 第41-43页 |
| §3．3 交通流量的融合预测模型 | 第43-45页 |
| §3．4 交通流量预测的误差指标 | 第45-46页 |
| §3．5 本章小结 | 第46-47页 |
| 第4章 基于周期序列的灰色神经网络流量预测 | 第47-56页 |
| §4．1 周期序列的灰色系统模型 | 第47-49页 |
| 4．1．1 周期序列的灰色数据特点 | 第47-48页 |
| 4．1．2 周期序列的GM(1，1)模型 | 第48-49页 |
| §4．2 灰色神经网络的基本原理 | 第49-52页 |
| 4．2．1 灰色BP神经网络 | 第50-51页 |
| 4．2．2 GM(1，1)神经网络 | 第51-52页 |
| §4．3 基于灰色BP网络的流量预测 | 第52-55页 |
| §4．4 本章小结 | 第55-56页 |
| 第5章 基于连续序列的小波神经网络流量预测 | 第56-71页 |
| §5．1 小波分析基本理论 | 第56-61页 |
| 5．1．1 小波分析定义 | 第56-58页 |
| 5．1．2 多分辨率分析 | 第58-60页 |
| 5．1．3 小波包分析 | 第60-61页 |
| 5．1．4 Mallat重构算法 | 第61页 |
| §5．2 基于小波神经网络的预测模型 | 第61-63页 |
| 5．2．1 用小波神经网络预测流量的基本思路 | 第61-62页 |
| 5．2．2 基于流量连续性的小波网络预测模型 | 第62页 |
| 5．2．3 基于流量周期性的小波网络预测模型 | 第62页 |
| 5．2．4 兼顾流量二特性的小波网络预测模型 | 第62-63页 |
| §5．3 连续序列的小波分析及预测 | 第63-64页 |
| 5．3．1 连续序列的分解和重构 | 第63页 |
| 5．3．2 小波分解的尺度要求 | 第63-64页 |
| 5．3．3 流量的神经网络预测 | 第64页 |
| §5．4 基于小波网络的流量预测 | 第64-70页 |
| §5．5 本章小结 | 第70-71页 |
| 第6章 基于路口相关评价的神经网络流量预测 | 第71-92页 |
| §6．1 基于路口相关性的预测模型 | 第71-73页 |
| §6．2 路口流量的主成分分析 | 第73-81页 |
| 6．2．1 数理统计PCA方法 | 第73-74页 |
| 6．2．2 神经网络PCA方法 | 第74-76页 |
| 6．2．3 自适应鲁棒PCA方法 | 第76-78页 |
| 6．2．4 路口流量的PCA分析 | 第78-81页 |
| §6．3 路口流量相关度模糊评价 | 第81-88页 |
| 6．3．1 模糊推理评价的原理 | 第81-84页 |
| 6．3．2 流量相关性综合评价 | 第84-88页 |
| §6．4 基于相关路口的流量预测 | 第88-91页 |
| 6．4．1 相关路口预测流量的方法 | 第88-89页 |
| 6．4．2 基于相关路口的流量预测 | 第89-91页 |
| §6．5 本章小结 | 第91-92页 |
| 第7章 基于模糊神经网络的交通流量融合预测 | 第92-103页 |
| §7．1 交通流量预测的融合模型 | 第92-93页 |
| §7．2 流量局部预测有效性检验 | 第93-95页 |
| 7．2．1 修正单中心聚类方法 | 第93-94页 |
| 7．2．2 局部预测有效性检验 | 第94-95页 |
| 7．2．3 无效局部预测的处理 | 第95页 |
| §7．3 T-S模糊神经网络 | 第95-98页 |
| 7．3．1 T-S模糊推理系统的基本原理 | 第95-96页 |
| 7．3．2 T-S模糊神经网络的基本原理 | 第96-97页 |
| 7．3．3 T-S模糊神经网络的学习算法 | 第97-98页 |
| §7．4 交通流量的融合预测 | 第98-102页 |
| §7．5 本章小结 | 第102-103页 |
| 全文总结 | 第103-106页 |
| §8．1 创新点及突破性 | 第103-104页 |
| §8．2 后续工作及展望 | 第104-106页 |
| 致谢 | 第106-107页 |
| 参考文献 | 第107-113页 |
| 攻读博士学位期间发表的论文及科研成果 | 第113页 |
| 攻读博士学位期间发表的论文 | 第113页 |
| 攻读博士学位期间的科研成果 | 第113页 |
