| 摘要 | 第3-4页 |
| ABSTRACT | 第4-5页 |
| 第1章 绪论 | 第9-21页 |
| 1.1 研究背景与意义 | 第9-10页 |
| 1.2 研究现状 | 第10-16页 |
| 1.2.1 流量预测与方向预测算法 | 第10-15页 |
| 1.2.2 分析算法 | 第15-16页 |
| 1.3 存在的问题 | 第16-17页 |
| 1.4 本文主要的研究内容 | 第17-19页 |
| 1.5 本章小结 | 第19-21页 |
| 第2章 基于混合LSTM神经网络的短时交通流量预测 | 第21-53页 |
| 2.1 引言 | 第21页 |
| 2.2 LSTM理论基础 | 第21-26页 |
| 2.2.1 人工神经网络 | 第21-22页 |
| 2.2.2 循环神经网络 | 第22-23页 |
| 2.2.3 LSTM | 第23-26页 |
| 2.3 混合LSTM神经网络 | 第26-36页 |
| 2.3.1 网络结构 | 第26-32页 |
| 2.3.2 优化器 | 第32-34页 |
| 2.3.3 数据标准化 | 第34页 |
| 2.3.4 实验评价指标 | 第34-36页 |
| 2.4 实验过程与结果分析 | 第36-51页 |
| 2.4.1 实验环境及数据集 | 第36-37页 |
| 2.4.2 数据预处理 | 第37-40页 |
| 2.4.3 结构及参数调优 | 第40-49页 |
| 2.4.4 模型对比 | 第49页 |
| 2.4.5 实验结果 | 第49-51页 |
| 2.5 本章小结 | 第51-53页 |
| 第3章 基于马尔可夫模型的车辆行驶方向预测 | 第53-59页 |
| 3.1 引言 | 第53页 |
| 3.2 马尔可夫模型理论基础 | 第53-56页 |
| 3.2.1 马尔可夫过程 | 第53页 |
| 3.2.2 马尔可夫链 | 第53-55页 |
| 3.2.3 加权马尔可夫链 | 第55-56页 |
| 3.3 实验结果分析 | 第56-58页 |
| 3.4 本章小结 | 第58-59页 |
| 第4章 基于回归分析的交通状况分析 | 第59-75页 |
| 4.1 引言 | 第59页 |
| 4.2 多元线性回归理论基础 | 第59-62页 |
| 4.2.1 回归模型 | 第59-60页 |
| 4.2.2 基于随机梯度下降的回归分析 | 第60页 |
| 4.2.3 普通最小二乘法 | 第60-61页 |
| 4.2.4 局部加权回归 | 第61-62页 |
| 4.3 相关性分析 | 第62-65页 |
| 4.3.1 自相关分析 | 第62页 |
| 4.3.2 回归系数的显著性检验 | 第62-65页 |
| 4.3.3 赤池信息准则 | 第65页 |
| 4.4 实验结果分析 | 第65-74页 |
| 4.4.1 回归结果分析 | 第66-68页 |
| 4.4.2 统计结果分析 | 第68-74页 |
| 4.5 本章小结 | 第74-75页 |
| 第5章 路网交通态势分析 | 第75-91页 |
| 5.1 引言 | 第75页 |
| 5.2 参考指标 | 第75-83页 |
| 5.2.1 交通量 | 第75-77页 |
| 5.2.2 交通密度 | 第77-78页 |
| 5.2.3 车头间距与车头时距 | 第78页 |
| 5.2.4 交通流特性 | 第78-81页 |
| 5.2.5 路段通行能力 | 第81-82页 |
| 5.2.6 道路饱和度 | 第82-83页 |
| 5.3 实际路网匹配与分析 | 第83-90页 |
| 5.3.1 交通量变化趋势 | 第84-86页 |
| 5.3.2 高峰小时系数 | 第86-87页 |
| 5.3.3 交通量的方向分布 | 第87页 |
| 5.3.4 连续交通流特征 | 第87-88页 |
| 5.3.5 模拟路网交通量热力图 | 第88-90页 |
| 5.4 本章小结 | 第90-91页 |
| 第6章 总结与展望 | 第91-93页 |
| 6.1 研究总结 | 第91-92页 |
| 6.2 研究展望 | 第92-93页 |
| 参考文献 | 第93-99页 |
| 攻读硕士学位期间取得的研究成果 | 第99-101页 |
| 致谢 | 第101-102页 |