| 摘要 | 第2-3页 |
| Abstract | 第3页 |
| 第一章 绪论 | 第6-18页 |
| 1.1 课题背景及意义 | 第6-7页 |
| 1.2 智能交通系统概述 | 第7-12页 |
| 1.2.1 智能交通系统的发展 | 第8-11页 |
| 1.2.2 短时交通流预测在智能交通系统中的作用 | 第11-12页 |
| 1.3 短时交通流预测研究动态 | 第12-14页 |
| 1.4 论文思路与研究内容 | 第14-18页 |
| 1.4.1 论文研究思路 | 第14-15页 |
| 1.4.2 论文研究内容 | 第15-18页 |
| 第二章 人工神经网络理论 | 第18-28页 |
| 2.1 神经网络的基本概念 | 第18-21页 |
| 2.2 RBF神经网络 | 第21-22页 |
| 2.2.1 RBF神经网络模型 | 第21页 |
| 2.2.2 网络输入输出 | 第21-22页 |
| 2.3 BP神经网络预测模型 | 第22-26页 |
| 2.4 本章小结 | 第26-28页 |
| 第三章 改进PSO优化BP和RBF算法 | 第28-38页 |
| 3.1 粒子群算法基本原理 | 第28-30页 |
| 3.2 改进粒子群优化BP神经网络 | 第30-33页 |
| 3.2.1 改进粒子群算法原理 | 第30-32页 |
| 3.2.2 改进PSO优化BP神经网络 | 第32-33页 |
| 3.3 改进粒子群优化RBF神经网络 | 第33-36页 |
| 3.3.1 最近邻聚类算法 | 第33-34页 |
| 3.3.2 改进粒子群原理 | 第34-35页 |
| 3.3.3 改进粒子群算法优化RBF的算法描述如下 | 第35-36页 |
| 3.4 本章小结 | 第36-38页 |
| 第四章 基于改进PSO优化BP和RBF组合算法短时交通流预测仿真实验 | 第38-44页 |
| 4.1 基于改进PSO优化BP和RBF组合学习算法 | 第38页 |
| 4.2 数据采集 | 第38-39页 |
| 4.3 仿真结果 | 第39-42页 |
| 4.4 本章小结 | 第42-44页 |
| 结论与展望 | 第44-46页 |
| 参考文献 | 第46-50页 |
| 攻读学位期间的研究成果 | 第50-52页 |
| 致谢 | 第52-54页 |
