基于组合模型的短时交通流的预测研究
| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 目录 | 第6-8页 |
| 1 绪论 | 第8-12页 |
| 1.1 研究背景及意义 | 第8-9页 |
| 1.1.1 研究背景 | 第8页 |
| 1.1.2 研究意义 | 第8-9页 |
| 1.2 国内外的研究现状 | 第9-11页 |
| 1.3 本文的主要内容及其结构 | 第11-12页 |
| 2 短时交通流特性分析 | 第12-19页 |
| 2.1 短时交通流特性分析 | 第12-13页 |
| 2.1.1 交通流的基本概念 | 第12页 |
| 2.1.2 短时交通流特性分析 | 第12-13页 |
| 2.2 交通流的基本参数 | 第13-17页 |
| 2.2.1 交通流的基本参数 | 第14-15页 |
| 2.2.2 交通流基本参数间的关系 | 第15-17页 |
| 2.3 短时交通流的可预测性 | 第17-19页 |
| 3 短时交通流数据的预处理 | 第19-23页 |
| 3.1 短时交通流的数据采集 | 第19-20页 |
| 3.1.1 固定型采集技术 | 第19-20页 |
| 3.1.2 移动型采集技术 | 第20页 |
| 3.2 交通流的数据融合 | 第20-21页 |
| 3.3 短时交通流数据故障识别与修复 | 第21-23页 |
| 3.3.1 数据识别 | 第21-22页 |
| 3.3.2 数据修复 | 第22-23页 |
| 4 基于移动平均模型的短时交通流预测 | 第23-31页 |
| 4.1 移动平均模型 | 第23-25页 |
| 4.1.1 一次移动平均模型 | 第23-24页 |
| 4.1.2 加权移动平均模型 | 第24页 |
| 4.1.3 二次移动平均模型 | 第24-25页 |
| 4.2 考虑滞后偏差的预测步骤 | 第25页 |
| 4.3 移动平均模型仿真实例 | 第25-30页 |
| 4.3.1 数据来源 | 第25-27页 |
| 4.3.2 模型的建立 | 第27-28页 |
| 4.3.3 预测结果分析 | 第28-30页 |
| 4.4 小结 | 第30-31页 |
| 5 基于组合模型的短时交通流预测 | 第31-45页 |
| 5.1 神经网络模型 | 第31-34页 |
| 5.1.1 神经元的数学模型 | 第31-33页 |
| 5.1.2 拓扑结构 | 第33页 |
| 5.1.3 学习方法 | 第33页 |
| 5.1.4 模型分类 | 第33-34页 |
| 5.2 广义回归神经网络模型 | 第34-37页 |
| 5.2.1 径向基神经网络 | 第34-35页 |
| 5.2.2 广义回归径向基神经网络模型 | 第35-37页 |
| 5.3 组合预测模型 | 第37-38页 |
| 5.4 基于 GRNN 的短时交通流预测 | 第38-40页 |
| 5.4.1 数据来源 | 第38页 |
| 5.4.2 确定样本训练集 | 第38页 |
| 5.4.3 网络的设计和训练 | 第38-39页 |
| 5.4.4 预测结果分析 | 第39-40页 |
| 5.5 基于组合模型的短时交通流预测 | 第40-42页 |
| 5.5.1 数据来源 | 第40-41页 |
| 5.5.2 确定样本训练集 | 第41页 |
| 5.5.3 网络的设计和训练 | 第41页 |
| 5.5.4 预测结果分析 | 第41-42页 |
| 5.6 模型比较 | 第42-45页 |
| 5.6.1 预测模型比较 | 第42-44页 |
| 5.6.2 小结 | 第44-45页 |
| 结论与展望 | 第45-46页 |
| 致谢 | 第46-47页 |
| 参考文献 | 第47-49页 |
| 附录 A | 第49-56页 |
| 攻读学位期间的研究成果 | 第56页 |
