| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第一章 绪论 | 第11-17页 |
| 1.1 立题背景和意义 | 第11页 |
| 1.2 国内外研究概况 | 第11-14页 |
| 1.2.1 短时预测 | 第11-12页 |
| 1.2.2 多步预测 | 第12-13页 |
| 1.2.3 现有研究总结 | 第13-14页 |
| 1.3 研究目标与研究内容 | 第14-15页 |
| 1.3.1 研究目标 | 第14页 |
| 1.3.2 研究内容 | 第14-15页 |
| 1.4 技术路线与论文组织 | 第15-17页 |
| 第二章 有效停车泊位变化特性多角度分析 | 第17-23页 |
| 2.1 有效停车泊位时间序列动力学分析 | 第17-19页 |
| 2.1.1. 有效停车泊位时间序列周期性分析 | 第17-18页 |
| 2.1.2. 有效停车泊位时间序列随机性分析 | 第18页 |
| 2.1.3. 有效停车泊位时间序列混沌性分析 | 第18-19页 |
| 2.2 有效停车泊位时间序列时空特性分析 | 第19-21页 |
| 2.2.1. 时间分布特性 | 第19-20页 |
| 2.2.2. 空间分布特性 | 第20-21页 |
| 2.3 本章小结 | 第21-23页 |
| 第三章 基于小波变换的多步预测模型 | 第23-43页 |
| 3.1 有效停车泊位多步预测流程 | 第23-24页 |
| 3.2 小波变换 | 第24-31页 |
| 3.2.1 连续小波变换 | 第24-26页 |
| 3.2.2 离散小波变换 | 第26页 |
| 3.2.3 小波分解与重构 | 第26-27页 |
| 3.2.4 小波函数与分解层数的选取 | 第27-31页 |
| 3.2.5 小波变换对预测精度的影响 | 第31页 |
| 3.3 BP神经网络模型 | 第31-37页 |
| 3.3.1 BP神经网络模型介绍 | 第32-36页 |
| 3.3.2 BP神经网络在多步预测中的应用 | 第36-37页 |
| 3.4 多步预测策略 | 第37-41页 |
| 3.4.1 迭代法(Recursive) | 第37页 |
| 3.4.2 直接法(Direct) | 第37-38页 |
| 3.4.3 多输入多输出法(MIMO) | 第38页 |
| 3.4.4 直接多输出法(DIRMO) | 第38-39页 |
| 3.4.5 新的多步预测组合策略——迭代多输出法(RECMO) | 第39-40页 |
| 3.4.6 五种多步预测策略的对比 | 第40-41页 |
| 3.5 本章小结 | 第41-43页 |
| 第四章 有效停车泊位多步预测实例分析 | 第43-54页 |
| 4.1 数据描述 | 第43页 |
| 4.2 评价指标 | 第43-44页 |
| 4.3 BP神经网络参数选取 | 第44-45页 |
| 4.4 小波变换在单一多步预测策略中的应用分析 | 第45-49页 |
| 4.5 两种组合预测策略中参数s的挖掘 | 第49-51页 |
| 4.6 五种多步预测策略的预测结果分析 | 第51-53页 |
| 4.7 本章小结 | 第53-54页 |
| 第五章 结论与展望 | 第54-56页 |
| 5.1 主要研究内容与成果 | 第54-55页 |
| 5.2 创新点 | 第55页 |
| 5.3 研究展望 | 第55-56页 |
| 致谢 | 第56-58页 |
| 参考文献 | 第58-62页 |
| 作者简介 | 第62页 |