基于深度学习的短时交通流预测
| 摘要 | 第2-3页 |
| abstract | 第3页 |
| 第一章 引言 | 第6-12页 |
| 1.1 研究背景及意义 | 第6-7页 |
| 1.2 国内外研究现状 | 第7-9页 |
| 1.3 本文主要研究内容及结构安排 | 第9-12页 |
| 第二章 短时交通流研究和预测算法 | 第12-24页 |
| 2.1 短时交通流分析 | 第12-14页 |
| 2.1.1 短时交通流特性 | 第12-13页 |
| 2.1.2 短时交通流预测模型研究 | 第13-14页 |
| 2.2 交通流预测模型概述 | 第14-18页 |
| 2.2.1 点、线交通流预测模型 | 第14-16页 |
| 2.2.2 组合预测模型概述 | 第16-17页 |
| 2.2.3 数据挖掘预测模型 | 第17-18页 |
| 2.3 深度学习预测模型 | 第18-22页 |
| 2.3.1 深度学习的基本概念 | 第18页 |
| 2.3.2 深度学习训练过程 | 第18-19页 |
| 2.3.3 深度学习常用交通流模型或方法 | 第19-22页 |
| 2.4 本章小结 | 第22-24页 |
| 第三章 基于卷积神经网络的短时交通流预测 | 第24-42页 |
| 3.1 短时交通流概述 | 第24-25页 |
| 3.2 基于卷积神经网络的短时交通流预测 | 第25-26页 |
| 3.3 卷积神经网络模型的构建 | 第26-30页 |
| 3.3.1 数据预处理 | 第27-28页 |
| 3.3.2 模型构建 | 第28-30页 |
| 3.4 全天各时段短时交通流预测应用 | 第30-40页 |
| 3.4.1 数据介绍 | 第30-32页 |
| 3.4.2 全天基本预测应用 | 第32-33页 |
| 3.4.3 模式不同的短时交通流预测应用 | 第33-35页 |
| 3.4.4 模型结构对预测的影响的应用 | 第35-40页 |
| 3.5 高峰期阶段的预测应用 | 第40-41页 |
| 3.6 本章小结 | 第41-42页 |
| 第四章 基于迁移学习的短时交通流预测 | 第42-54页 |
| 4.1 问题分析 | 第42页 |
| 4.2 利用相似数据作为训练集的应用 | 第42-47页 |
| 4.3 增加白噪声的方法的预测应用 | 第47-51页 |
| 4.4 增加训练集的混合方法的应用 | 第51-52页 |
| 4.5 本章小结 | 第52-54页 |
| 第五章 结论与展望 | 第54-56页 |
| 5.1 结论 | 第54-55页 |
| 5.2 展望 | 第55-56页 |
| 参考文献 | 第56-60页 |
| 攻读学位期间的研究成果 | 第60-62页 |
| 致谢 | 第62-63页 |
