| 摘要 | 第2-3页 |
| Abstract | 第3页 |
| 1 绪论 | 第6-11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 本文主要研究工作 | 第9页 |
| 1.4 章节安排 | 第9-11页 |
| 2 相关工作 | 第11-31页 |
| 2.1 交通流特性分析 | 第11-12页 |
| 2.1.1 基本特性 | 第11-12页 |
| 2.1.2 交通流预测模型要求 | 第12页 |
| 2.2 卷积神经网络 | 第12-21页 |
| 2.2.1 CNN卷积神经网络的发展 | 第12-13页 |
| 2.2.2 卷积神经网络的网络结构 | 第13-21页 |
| 2.2.3 卷积神经网络的应用 | 第21页 |
| 2.3 LSTM神经网络 | 第21-30页 |
| 2.3.1 RNN循环神经网络 | 第21-25页 |
| 2.3.2 LSTM网络 | 第25-30页 |
| 2.4 本章小结 | 第30-31页 |
| 3 预测模型的整体框架 | 第31-45页 |
| 3.1 问题的定义 | 第31-33页 |
| 3.2 基于CNN和LSTM的交通流预测模型 | 第33-38页 |
| 3.2.1 空间关系的获取 | 第33-35页 |
| 3.2.2 时间关系的获取 | 第35-37页 |
| 3.2.3 外部因素 | 第37-38页 |
| 3.3 融合ATTENTION机制和自回归模型的预测模型 | 第38-42页 |
| 3.3.1 Attention机制 | 第38-41页 |
| 3.3.2 自回归模型 | 第41-42页 |
| 3.4 预测模型的结构优化 | 第42-44页 |
| 3.4.1 Dropout原理 | 第42-43页 |
| 3.4.2 Batch Normalization算法 | 第43-44页 |
| 3.5 本章小结 | 第44-45页 |
| 4 实验结果与分析 | 第45-56页 |
| 4.1 实验环境 | 第45页 |
| 4.2 数据处理 | 第45-46页 |
| 4.3 预测结果对比分析 | 第46-53页 |
| 4.4 模型参数的选择 | 第53-55页 |
| 4.5 本章小结 | 第55-56页 |
| 结论 | 第56-58页 |
| 参考文献 | 第58-61页 |
| 致谢 | 第61-63页 |