| 摘要 | 第6-7页 |
| abstract | 第7-8页 |
| 第1章 绪论 | 第12-21页 |
| 1.1 研究背景与意义 | 第12-13页 |
| 1.2 国内外研究现状 | 第13-18页 |
| 1.2.1 解析数学算法 | 第13-14页 |
| 1.2.2 智能预测算法 | 第14-16页 |
| 1.2.3 混合理论算法 | 第16-17页 |
| 1.2.4 融合时空信息的预测算法 | 第17-18页 |
| 1.3 短时交通流预测模型的选定 | 第18-19页 |
| 1.4 研究内容和技术路线 | 第19-21页 |
| 第2章 交通流特性分析与预测原理 | 第21-32页 |
| 2.1 交通流基本特性分析 | 第21-22页 |
| 2.2 交通流采集技术 | 第22-24页 |
| 2.3 交通流数据预处理技术 | 第24-25页 |
| 2.3.1 交通流数据故障识别 | 第24-25页 |
| 2.3.2 故障数据的处理方法 | 第25页 |
| 2.4 融合时空信息的短时交通流预测原理 | 第25-27页 |
| 2.5 实验数据来源与评价指标 | 第27-31页 |
| 2.5.1 基于VISSIM仿真平台的交通流数据获取 | 第27-30页 |
| 2.5.2 预测模型评价指标 | 第30-31页 |
| 2.6 小结 | 第31-32页 |
| 第3章 基于广义灰色关联度的交通流时空相关性分析 | 第32-41页 |
| 3.1 灰色关联理论概述 | 第32-33页 |
| 3.2 灰色关联分析的基本概念 | 第33-34页 |
| 3.2.1 灰色关联算子集 | 第33页 |
| 3.2.2 灰关联公理 | 第33-34页 |
| 3.3 广义灰色关联度简介 | 第34-36页 |
| 3.4 交通流时空相关性的广义灰色关联度分析 | 第36-40页 |
| 3.5 小结 | 第40-41页 |
| 第4章 基于改进的灰色Elman神经网络的短时交通流预测 | 第41-57页 |
| 4.1 灰色预测理论 | 第41-42页 |
| 4.1.1 灰色建模理论 | 第41页 |
| 4.1.2 GM(1,N)模型简介 | 第41-42页 |
| 4.2 Elman神经网络 | 第42-48页 |
| 4.2.1 Elman神经网络的网络结构 | 第43-44页 |
| 4.2.2 Elman神经网络学习算法 | 第44-46页 |
| 4.2.3 改进的Elman神经网络 | 第46-48页 |
| 4.3 改进的灰色Elman神经网络短时交通流预测模型 | 第48-56页 |
| 4.3.1 改进的灰色Elman神经网络模型预测步骤 | 第48-49页 |
| 4.3.2 预测数据归一化 | 第49-50页 |
| 4.3.3 神经网络参数的选择 | 第50-51页 |
| 4.3.4 实例分析 | 第51-56页 |
| 4.4 小结 | 第56-57页 |
| 第5章 基于改进的NPSO-GRNN的短时交通流预测 | 第57-70页 |
| 5.1 广义回归神经网络 | 第57-60页 |
| 5.1.1 广义回归神经网络结构 | 第57-58页 |
| 5.1.2 广义回归神经网络理论基础 | 第58-59页 |
| 5.1.3 光滑因子的确定 | 第59-60页 |
| 5.2 粒子群算法 | 第60-65页 |
| 5.2.1 粒子群优化算法 | 第60-61页 |
| 5.2.2 粒子群优化算法的改进 | 第61-62页 |
| 5.2.3 小生境粒子群算法及其改进 | 第62-65页 |
| 5.3 改进的NPSO-GRNN短时交通流预测模型 | 第65-68页 |
| 5.3.1 改进的NPSO-GRNN模型预测步骤 | 第65-66页 |
| 5.3.2 实例分析 | 第66-68页 |
| 5.4 短时交通流预测模型的比选 | 第68-69页 |
| 5.5 小结 | 第69-70页 |
| 结论与展望 | 第70-72页 |
| 结论 | 第70页 |
| 展望 | 第70-72页 |
| 致谢 | 第72-73页 |
| 参考文献 | 第73-78页 |
| 附录 | 第78-79页 |
| 攻读硕士期间发表的论文 | 第79页 |
