城市道路交通流量短时预测研究
| 致谢 | 第1-6页 |
| 中文摘要 | 第6-7页 |
| ABSTRACT | 第7-9页 |
| 目录 | 第9-12页 |
| 1 绪论 | 第12-17页 |
| ·研究背景 | 第12-13页 |
| ·国内外研究现状 | 第13-14页 |
| ·研究意义 | 第14-15页 |
| ·论文的内容与组织结构 | 第15-16页 |
| ·本章小结 | 第16-17页 |
| 2 交通流量的采集、特点及数据预处理方法 | 第17-26页 |
| ·交通流量的采集 | 第17-18页 |
| ·交通流量的特点分析 | 第18-22页 |
| ·动态性 | 第18-19页 |
| ·时间相似性 | 第19-22页 |
| ·空间相关性 | 第22页 |
| ·交通流量数据预处理方法 | 第22-24页 |
| ·故障数据的识别方法 | 第23-24页 |
| ·故障数据的处理方法 | 第24页 |
| ·预测数据归一化处理 | 第24页 |
| ·本章小结 | 第24-26页 |
| 3 传统交通流量短时预测方法研究 | 第26-33页 |
| ·历史平均预测方法 | 第26-27页 |
| ·自回归滑动平均预测方法 | 第27-28页 |
| ·多元线性回归预测方法 | 第28页 |
| ·时间序列预测方法 | 第28-30页 |
| ·时间序列模型的概念 | 第28-29页 |
| ·时间序列模型的介绍 | 第29-30页 |
| ·卡尔曼滤波预测方法 | 第30-32页 |
| ·本章小结 | 第32-33页 |
| 4 人工神经网络理论 | 第33-49页 |
| ·神经网络的特点 | 第33页 |
| ·神经网络的结构与泛化能力 | 第33-38页 |
| ·神经元模型 | 第34页 |
| ·神经网络的激活函数 | 第34-35页 |
| ·神经网络的结构 | 第35-36页 |
| ·神经网络的学习方式 | 第36-38页 |
| ·BP神经网络的概述 | 第38-43页 |
| ·BP神经网络的结构 | 第38-39页 |
| ·BP神经网络的学习过程 | 第39-40页 |
| ·BP神经网络算法的设计 | 第40-41页 |
| ·BP神经网络的设计 | 第41-43页 |
| ·RBF神经网络概述 | 第43-46页 |
| ·RBF神经网络的结构 | 第44页 |
| ·RBF神经网络的学习过程 | 第44-46页 |
| ·GRNN神经网络的概述 | 第46-48页 |
| ·GRNN神经网络的结构 | 第46页 |
| ·GRNN神经网络的学习过程 | 第46-48页 |
| ·本章小结 | 第48-49页 |
| 5 短时交通流量预测模型的应用 | 第49-70页 |
| ·交通流量的数据说明 | 第49-56页 |
| ·短时交通流量预测模型的评价 | 第56-58页 |
| ·短时交通流量预测模型的要求 | 第56-58页 |
| ·短时交通流量预测模型的评价指标 | 第58页 |
| ·基于神经网络的短时交通流量预测模型的应用 | 第58-68页 |
| ·输入数据的预处理 | 第59页 |
| ·基于BP神经网络的短时交通流量预测 | 第59-63页 |
| ·基于RBF神经网络的短时交通流量预测 | 第63-65页 |
| ·基于GRNN神经网络的短时交通流量预测 | 第65-68页 |
| ·基于神经网络的交通流量短时预测模型的比较 | 第68-69页 |
| ·本章小结 | 第69-70页 |
| 6 总结与展望 | 第70-72页 |
| ·总结 | 第70页 |
| ·进一步研究的问题 | 第70-72页 |
| 参考文献 | 第72-74页 |
| 作者简历 | 第74-76页 |
| 学位论文数据集 | 第76页 |
