| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第10-15页 |
| 1.1 课题背景 | 第10页 |
| 1.2 短时交通流预测国内外研究现状 | 第10-12页 |
| 1.3 深度学习研究应用 | 第12-13页 |
| 1.4 研究的目的和意义 | 第13-14页 |
| 1.5 论文组织结构 | 第14页 |
| 1.6 本章小结 | 第14-15页 |
| 第二章 相关工作 | 第15-26页 |
| 2.1 深度学习 | 第15-17页 |
| 2.1.1 深度学习简介 | 第15-16页 |
| 2.1.2 浅层学习与深度学习 | 第16-17页 |
| 2.2 短时交通流预测 | 第17-21页 |
| 2.2.1 短时交通流预测概述 | 第17-19页 |
| 2.2.2 短时交通流预测方法 | 第19-20页 |
| 2.2.3 交通流预测性能评价指标 | 第20-21页 |
| 2.3 交通流数据分析 | 第21-23页 |
| 2.3.1 交通流基本特征参数 | 第21-23页 |
| 2.3.2 交通数据的预处理 | 第23页 |
| 2.4 数据可视化简介 | 第23-25页 |
| 2.5 本章小结 | 第25-26页 |
| 第三章 基于LSTM网络的交通流量预测 | 第26-38页 |
| 3.1 RNN神经网络 | 第26-29页 |
| 3.1.1 RNN网络简介 | 第26-28页 |
| 3.1.2 RNN网络的利弊 | 第28-29页 |
| 3.2 LSTM网络 | 第29-31页 |
| 3.3 基于LSTM交通流量预测模型的构建 | 第31-32页 |
| 3.4 数据预处理 | 第32-34页 |
| 3.5 实验和结果 | 第34-37页 |
| 3.5.1 时间段长度和隐含节点对实验结果的影响 | 第34-35页 |
| 3.5.2 dropout参数设置对预测结果的影响 | 第35-36页 |
| 3.5.3 网络结构对预测结果的影响 | 第36-37页 |
| 3.6 本章小结 | 第37-38页 |
| 第四章 基于深度学习深度网络混合模型的交通流量预测 | 第38-51页 |
| 4.1 受限玻尔兹曼机 | 第38-42页 |
| 4.1.1 模型结构 | 第38-39页 |
| 4.1.2 模型的训练 | 第39-42页 |
| 4.2 自动编码器算法 | 第42-44页 |
| 4.2.1 模型结构 | 第42-43页 |
| 4.2.2 降噪自动编码器 | 第43-44页 |
| 4.3 混合模型设计 | 第44-46页 |
| 4.3.1 模型预测流程 | 第45-46页 |
| 4.4 实验和结果 | 第46-50页 |
| 4.4.1 数据集介绍 | 第46-47页 |
| 4.4.2 工作日预测结果 | 第47-48页 |
| 4.4.3 周末预测结果 | 第48-50页 |
| 4.5 本章小结 | 第50-51页 |
| 第五章 交通数据可视化 | 第51-59页 |
| 5.1 系统架构 | 第51-52页 |
| 5.2 系统功能 | 第52页 |
| 5.3 数据库设计 | 第52-53页 |
| 5.4 交通数据可视化分析 | 第53-58页 |
| 5.4.1 概要型监测数据可视化 | 第53-55页 |
| 5.4.2 瞬时监测数据可视化 | 第55-58页 |
| 5.5 本章小结 | 第58-59页 |
| 第六章 总结与展望 | 第59-61页 |
| 6.1 研究总结 | 第59-60页 |
| 6.2 研究展望 | 第60-61页 |
| 参考文献 | 第61-65页 |
| 在学期间的研究成果 | 第65-66页 |
| 致谢 | 第66页 |