| 摘要 | 第4-5页 |
| abstract | 第5页 |
| 第一章 绪论 | 第9-16页 |
| 1.1 研究背景及意义 | 第9-10页 |
| 1.2 交通流量预测与国内外研究现状 | 第10-14页 |
| 1.2.1 交通流量预测概述 | 第10-12页 |
| 1.2.2 短时交通流量预测国内外研究现状 | 第12-14页 |
| 1.3 论文主要研究内容及章节安排 | 第14-16页 |
| 第二章 天气影响下的交通流特性 | 第16-23页 |
| 2.1 交通流参数 | 第16-18页 |
| 2.1.1 交通流速度 | 第16页 |
| 2.1.2 交通量和交通流率 | 第16-17页 |
| 2.1.3 交通流密度 | 第17-18页 |
| 2.2 交通流基本特性 | 第18页 |
| 2.3 天气因素对交通流特性的影响 | 第18-22页 |
| 2.3.1 降雨条件下的交通流特性 | 第18-19页 |
| 2.3.2 降雪条件下的交通流特性 | 第19-21页 |
| 2.3.3 雾天条件下的交通流特性 | 第21-22页 |
| 2.4 本章小结 | 第22-23页 |
| 第三章 深度学习的基本理论 | 第23-33页 |
| 3.1 深度学习的概念 | 第23-24页 |
| 3.2 深度学习模型 | 第24-31页 |
| 3.2.1 限制波尔兹曼机 | 第24-27页 |
| 3.2.2 深度信念网络 | 第27-28页 |
| 3.2.3 卷积神经网络 | 第28-29页 |
| 3.2.4 循环神经网络 | 第29-31页 |
| 3.3 深度学习的应用 | 第31-32页 |
| 3.3.1 在图像识别的应用 | 第31页 |
| 3.3.2 在语音识别的应用 | 第31页 |
| 3.3.3 在交通中应用 | 第31-32页 |
| 3.4 本章小结 | 第32-33页 |
| 第四章 融合天气因素的短时交通流深度预测模型 | 第33-41页 |
| 4.1 数据的预处理 | 第33-34页 |
| 4.1.1 修补缺失数据 | 第33页 |
| 4.1.2 去噪处理 | 第33-34页 |
| 4.1.3 归一化 | 第34页 |
| 4.2 数据的相关性 | 第34-35页 |
| 4.3 融合天气因素的短时交通流预测模型 | 第35-39页 |
| 4.3.1 支持向量回归理论 | 第35-37页 |
| 4.3.2 预测模型的数据集构造 | 第37-38页 |
| 4.3.3 融合天气因素的DBN-SVR短时交通流预测模型 | 第38-39页 |
| 4.4 预测结果评价指标 | 第39-40页 |
| 4.5 本章小结 | 第40-41页 |
| 第五章 预测结果分析 | 第41-56页 |
| 5.1 实验数据来源 | 第41-43页 |
| 5.1.1 天气数据来源 | 第41-42页 |
| 5.1.2 交通数据来源 | 第42-43页 |
| 5.2 交通流量数据的时间特性分析 | 第43-46页 |
| 5.3 天气数据和交通流数据的相关分析 | 第46-48页 |
| 5.4 流量预测及结果评价 | 第48-54页 |
| 5.4.1 预测结果分析 | 第48-49页 |
| 5.4.2 工作日预测结果 | 第49-52页 |
| 5.4.3 周末预测结果 | 第52-54页 |
| 5.5 本章小结 | 第54-56页 |
| 总结与展望 | 第56-58页 |
| 参考文献 | 第58-63页 |
| 攻读学位期间取得的研究成果 | 第63-64页 |
| 致谢 | 第64页 |