| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 第一章 绪论 | 第10-20页 |
| 1.1 研究背景与研究意义 | 第10-11页 |
| 1.1.1 研究背景 | 第10-11页 |
| 1.1.2 研究意义 | 第11页 |
| 1.2 国内外研究现状 | 第11-15页 |
| 1.2.1 货物运输量预测研究综述 | 第11-15页 |
| 1.2.2 深度学习研究综述 | 第15页 |
| 1.2.3 研究评述 | 第15页 |
| 1.3 研究内容 | 第15-17页 |
| 1.4 研究方法与技术路线 | 第17-20页 |
| 1.4.1 研究方法 | 第17页 |
| 1.4.2 技术路线 | 第17-20页 |
| 第二章 预测及深度学习的相关理论基础 | 第20-32页 |
| 2.1 一般的预测方法 | 第20-24页 |
| 2.1.1 时间序列预测模型 | 第20-22页 |
| 2.1.2 回归预测模型 | 第22-23页 |
| 2.1.3 组合模型的预测理论 | 第23-24页 |
| 2.2 新型的预测方法 | 第24-26页 |
| 2.2.1 新型预测方法简介 | 第24-25页 |
| 2.2.2 一般的预测方法与新型预测方法的比较 | 第25-26页 |
| 2.3 预测效果的指标评价选取 | 第26-27页 |
| 2.4 深度学习理论 | 第27-31页 |
| 2.4.1 深度学习概述 | 第27-28页 |
| 2.4.2 深度学习常用模型 | 第28-29页 |
| 2.4.3 深度学习的激励函数及目标函数优化方法 | 第29-30页 |
| 2.4.4 深度学习模型的应用 | 第30-31页 |
| 2.5 本章小结 | 第31-32页 |
| 第三章 基于LSTM方法的货物运输量预测 | 第32-44页 |
| 3.1 货物运输量预测方法 | 第32-34页 |
| 3.1.1 货物运输量预测的步骤 | 第32页 |
| 3.1.2 货物运输量预测方法比较 | 第32-34页 |
| 3.2 神经网络模型的理论基础 | 第34-38页 |
| 3.2.1 前馈神经网络与循环神经网络 | 第34-36页 |
| 3.2.2 LSTM模型概述 | 第36-38页 |
| 3.3 基于LSTM的货物运输量预测模型 | 第38-42页 |
| 3.3.1 LSTM预测模型的定义 | 第38-39页 |
| 3.3.2 LSTM预测模型参数的确定及模型训练 | 第39-40页 |
| 3.3.3 LSTM预测模型的具体处理步骤 | 第40-41页 |
| 3.3.4 LSTM预测模型的优势 | 第41-42页 |
| 3.4 本章小结 | 第42-44页 |
| 第四章 实证分析 | 第44-68页 |
| 4.1 北京市公路货物运输概况 | 第44-45页 |
| 4.1.1 北京市公路建设与货物运输概述 | 第44-45页 |
| 4.1.2 北京市公路货物运输数据的选择与处理 | 第45页 |
| 4.2 公路货物运输量ARMA模型预测的实现 | 第45-53页 |
| 4.2.1 数据的选择与处理 | 第45页 |
| 4.2.2 货运量ARMA模型的预测实现 | 第45-49页 |
| 4.2.3 货物周转量ARMA模型的预测实现 | 第49-53页 |
| 4.3 公路货物运输量LSTM模型预测的实现 | 第53-61页 |
| 4.3.1 货运量LSTM模型的预测实现 | 第54-60页 |
| 4.3.2 货物周转量LSTM模型的预测实现 | 第60-61页 |
| 4.4 ARMA-LSTM组合模型对公路货物运输量的预测实现 | 第61-63页 |
| 4.4.1 货运量组合模型的预测实现 | 第62-63页 |
| 4.4.2 货物周转量组合模型的预测实现 | 第63页 |
| 4.5 预测结果的综合比较 | 第63-67页 |
| 4.5.1 对于货运量的预测效果比较 | 第64-65页 |
| 4.5.2 对于货物运输量的预测效果比较 | 第65-67页 |
| 4.6 本章小结 | 第67-68页 |
| 总结与展望 | 第68-70页 |
| 研究成果和主要结论 | 第68-69页 |
| 下一步研究重点 | 第69-70页 |
| 参考文献 | 第70-74页 |
| 附录 | 第74-82页 |
| 攻读硕士学位期间取得的研究成果 | 第82-84页 |
| 致谢 | 第84页 |