基于深度学习的公共交通客流量预测方法研究
| 详细摘要 | 第2-9页 |
| 摘要 | 第9-10页 |
| Abstract | 第10页 |
| 第一章 绪论 | 第14-21页 |
| 1.1 背景意义 | 第14-15页 |
| 1.2 公共交通流预测概述 | 第15-16页 |
| 1.3 深度学习的发展和研究现状 | 第16-18页 |
| 1.3.1 深度学习研究的最新进展 | 第16-17页 |
| 1.3.2 深度学习的发展 | 第17-18页 |
| 1.4 主要研究工作即章节安排 | 第18-19页 |
| 1.4.1 本文主要的研究内容 | 第18-19页 |
| 1.4.2 本文的整体结构框架 | 第19页 |
| 1.5 本章小结 | 第19-21页 |
| 第二章 深度学习概述 | 第21-36页 |
| 2.1 什么是深度学习 | 第21-23页 |
| 2.1.1 深度学习的概念 | 第21-22页 |
| 2.1.2 浅层学习和深度学习 | 第22-23页 |
| 2.2 深度学习的结构 | 第23页 |
| 2.3 深度学习常用模型 | 第23-34页 |
| 2.3.1 玻尔兹曼机概述 | 第23-26页 |
| 2.3.2 玻尔兹曼机的学习过程 | 第26-28页 |
| 2.3.3 深度玻尔兹曼机 | 第28-29页 |
| 2.3.4 深度置信网络简介及其模型训练算法 | 第29-31页 |
| 2.3.5 自动编码器模型及其相关理论 | 第31-33页 |
| 2.3.6 深度自动编码器的训练过程 | 第33-34页 |
| 2.4 本章小结 | 第34-36页 |
| 第三章 基于DAE的短时BRT客流量预测 | 第36-47页 |
| 3.1 数据预处理 | 第36-39页 |
| 3.1.1 数据描述 | 第36-38页 |
| 3.1.2 数据正则化与归一化处理 | 第38-39页 |
| 3.2 DAE结合Logistic的建模过程 | 第39-42页 |
| 3.2.1 模型描述 | 第39页 |
| 3.2.2 降维和预测过程 | 第39-41页 |
| 3.2.3 模型的预训练算法 | 第41-42页 |
| 3.3 实验参数调整过程与结果分析 | 第42-44页 |
| 3.3.1 实验评价标准 | 第42页 |
| 3.3.2 BP神经网络模型简介及训练算法 | 第42-44页 |
| 3.3.3 基于BP神经网络模型的短时客流量预测 | 第44页 |
| 3.4 实验结果综合评估 | 第44-46页 |
| 3.5 本章小结 | 第46-47页 |
| 第四章 基于DBN融合SVM的BRT客流量预测 | 第47-58页 |
| 4.1 支持向量机概述 | 第47-51页 |
| 4.2 DBN结合SVM的建模过程 | 第51-53页 |
| 4.2.1 模型的描述 | 第51-52页 |
| 4.2.2 模型训练和预测过程 | 第52-53页 |
| 4.3 实验参数调整过程与结果分析 | 第53-56页 |
| 4.3.1 实验参数调整过程 | 第53-55页 |
| 4.3.2 SVM参数调整 | 第55-56页 |
| 4.4 DBN与SAE模型的对比 | 第56-57页 |
| 4.5 本章小结 | 第57-58页 |
| 第五章 总结与展望 | 第58-60页 |
| 5.1 总结 | 第58-59页 |
| 5.2 展望 | 第59-60页 |
| 致谢 | 第60-61页 |
| 参考文献 | 第61-67页 |
| 附录 | 第67页 |
