| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 引言 | 第10-11页 |
| 1 绪论 | 第11-18页 |
| 1.1 研究背景及意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-16页 |
| 1.2.1 短时交通流预测综述 | 第12-13页 |
| 1.2.2 基于神经网络的短时交通流预测综述 | 第13-14页 |
| 1.2.3 基于模拟退火算法的BP神经网络优化综述 | 第14-16页 |
| 1.3 研究内容与方法 | 第16-17页 |
| 1.4 本章小结 | 第17-18页 |
| 2 短时交通流预测基本理论 | 第18-26页 |
| 2.1 交通流可预测特性 | 第18-19页 |
| 2.2 短时交通流预测原理及流程 | 第19-21页 |
| 2.2.1 交通流预测的分类 | 第19-20页 |
| 2.2.2 短时交通流预测原理及流程 | 第20-21页 |
| 2.3 短时交通流量预测中缺失及异常数据的处理 | 第21-24页 |
| 2.3.1 缺失交通流数据的产生 | 第21-22页 |
| 2.3.2 异常交通流数据的识别 | 第22-23页 |
| 2.3.3 缺失及异常交通流数据的处理方法 | 第23-24页 |
| 2.4 短时交通流预测效果评价指标 | 第24-25页 |
| 2.5 本章小结 | 第25-26页 |
| 3 基于模拟退火算法的BP神经网络优化研究 | 第26-52页 |
| 3.1 BP神经网络的基本原理 | 第26-35页 |
| 3.1.1 生物神经元工作原理 | 第26页 |
| 3.1.2 BP神经网络架构 | 第26-28页 |
| 3.1.3 BP神经网络的工作方式 | 第28-35页 |
| 3.2 模拟退火算法的基本原理 | 第35-41页 |
| 3.2.1 模拟退火算法原理 | 第35-38页 |
| 3.2.2 模拟退火算法的冷却进度表 | 第38-40页 |
| 3.2.3 模拟退火算法流程图 | 第40-41页 |
| 3.3 基于模拟退火算法的BP神经网络优化 | 第41-51页 |
| 3.3.1 基于模拟退火算法的BP神经网络优化基本思路 | 第41-42页 |
| 3.3.2 基于模拟退火算法的BP神经网络优化方法 | 第42-44页 |
| 3.3.3 实现SA-BP神经网络算法的关键技术 | 第44-51页 |
| 3.4 本章小结 | 第51-52页 |
| 4 基于SA-BP神经网络的短时交通流预测研究 | 第52-61页 |
| 4.1 SA-BP神经网络的学习方式 | 第52页 |
| 4.2 SA-BP神经网络的预测过程 | 第52-58页 |
| 4.2.1 交通流量的数据分组与归一化 | 第52-54页 |
| 4.2.2 SA-BP神经网络的预测过程 | 第54-58页 |
| 4.3 SA-BP神经网络的预测流程图 | 第58-60页 |
| 4.4 本章小结 | 第60-61页 |
| 5 实验仿真研究 | 第61-78页 |
| 5.1 实验数据的获取与选取 | 第61-66页 |
| 5.1.1 实验数据获取位置的基本路况 | 第61-62页 |
| 5.1.2 实验数据的处理 | 第62-66页 |
| 5.2 BP神经网络的参数调整及预测效果 | 第66-72页 |
| 5.3 模拟退火算法冷却进度表参数选择 | 第72-73页 |
| 5.4 SA-BP神经网络训练结果分析 | 第73-77页 |
| 5.4.1 SA-BP神经网络的权值以及阈值矩阵 | 第73-75页 |
| 5.4.2 SA-BP神经网络与BP神经网络预测效果对比 | 第75-77页 |
| 5.5 本章小结 | 第77-78页 |
| 结论 | 第78-80页 |
| 参考文献 | 第80-83页 |
| 在学研究成果 | 第83-84页 |
| 致谢 | 第84页 |
