基于花授粉算法和神经网络的短时交通流预测研究
| 摘要 | 第8-9页 |
| abstract | 第9-10页 |
| 第1章 绪论 | 第11-18页 |
| 1.1 研究背景与意义 | 第11-12页 |
| 1.2 交通流预测研究现状 | 第12-16页 |
| 1.2.1 交通流量主要预测模型 | 第12-15页 |
| 1.2.2 国内外研究现状 | 第15-16页 |
| 1.3 本文的研究工作 | 第16-17页 |
| 1.4 论文结构 | 第17-18页 |
| 第2章 短时交通流预测相关理论 | 第18-24页 |
| 2.1 短时交通流量预测概念 | 第18-19页 |
| 2.2 交通流基本特征参数 | 第19-20页 |
| 2.3 交通流数据来源 | 第20-21页 |
| 2.4 短时交通流预测评价指标 | 第21-22页 |
| 2.5 交通流特性分析 | 第22-23页 |
| 2.6 本章小结 | 第23-24页 |
| 第3章 遗传神经网络理论与模型的建立 | 第24-40页 |
| 3.1 神经网络特点 | 第24-25页 |
| 3.2 神经网络基本原理 | 第25-31页 |
| 3.2.1 神经元模型 | 第25-26页 |
| 3.2.2 激活函数 | 第26-27页 |
| 3.2.3 网络结构 | 第27-30页 |
| 3.2.4 网络学习理论 | 第30-31页 |
| 3.3 bp神经网络 | 第31-36页 |
| 3.4 遗传神经网络 | 第36-39页 |
| 3.5 本章小结 | 第39-40页 |
| 第4章 基于遗传神经网络的交通流预测模型 | 第40-53页 |
| 4.1 交通流数据可预测性分析 | 第40-42页 |
| 4.2 基于bp神经网络的交通流预测 | 第42-46页 |
| 4.2.1 网络输入样本的选择 | 第42-43页 |
| 4.2.2 bp神经网络预测算法的实现 | 第43-46页 |
| 4.3 遗传神经网络交通流预测 | 第46-48页 |
| 4.4 概率自适应遗传神经网络交通流预测 | 第48-51页 |
| 4.5 结果分析 | 第51-52页 |
| 4.6 本章小结 | 第52-53页 |
| 第5章 基于花授粉算法的神经网络交通流预测模型 | 第53-63页 |
| 5.1 花授粉算法简介 | 第53页 |
| 5.2 花授粉算法 | 第53-55页 |
| 5.2.1 花授粉的特征 | 第53-54页 |
| 5.2.2 花授粉算法实现步骤 | 第54-55页 |
| 5.3 花授粉算法中参数的影响及改进 | 第55-57页 |
| 5.3.1 初始种群 | 第55-56页 |
| 5.3.2 转换概率 | 第56页 |
| 5.3.3 局部授粉策略 | 第56-57页 |
| 5.4 改进的fpa-bp神经网络交通流预测 | 第57-61页 |
| 5.4.1 改进的fpa-bp神经网络实现步骤 | 第57-59页 |
| 5.4.2 仿真对比试验 | 第59-61页 |
| 5.5 结果分析 | 第61-62页 |
| 5.6 本章小结 | 第62-63页 |
| 第6章 总结与展望 | 第63-65页 |
| 参考文献 | 第65-71页 |
| 攻读硕士学位期间发表的学术论文及科研工作 | 第71-72页 |
| 致谢 | 第72页 |
