神经网络集成在公交行驶时间预测中的研究与应用
| 目录 | 第1-7页 |
| 摘要 | 第7-8页 |
| Abstract | 第8-9页 |
| 插图索引 | 第9-10页 |
| 附表索引 | 第10-11页 |
| 第一章 绪论 | 第11-18页 |
| ·课题背景与研究意义 | 第11-16页 |
| ·智能公交系统研究的历史及现状 | 第11-12页 |
| ·神经网络集成研究的历史及现状 | 第12-14页 |
| ·国内外公交车行驶时间预测技术的发展现状 | 第14-15页 |
| ·研究目的和意义 | 第15-16页 |
| ·本文的主要研究内容 | 第16-18页 |
| ·论文的主要研究工作 | 第16页 |
| ·论文内容安排 | 第16-18页 |
| 第二章 神经网络集成 | 第18-29页 |
| ·前言 | 第18页 |
| ·神经网络集成概述 | 第18-28页 |
| ·神经网络集成的思想由来 | 第18页 |
| ·神经网络集成定义 | 第18-19页 |
| ·神经网络集成的实现方法 | 第19-24页 |
| ·神经网络集成的理论研究 | 第24-28页 |
| ·本章小结 | 第28-29页 |
| 第三章 公交车辆行驶时间预测技术的研究 | 第29-38页 |
| ·前言 | 第29页 |
| ·影响公交车行驶时间的因素分析 | 第29-30页 |
| ·公交车行驶时间预测模型的研究与分析 | 第30-35页 |
| ·基于历史数据的预测模型 | 第30-31页 |
| ·基于人工神经网络的预测模型 | 第31-32页 |
| ·变量衰减预测模型 | 第32-33页 |
| ·Kalman滤波器模型 | 第33-34页 |
| ·时间序列预测模型 | 第34页 |
| ·各预测模型的分析与比较 | 第34-35页 |
| ·公交车行驶时间序列的特性分析 | 第35-37页 |
| ·时间段对行驶时间曲线的影响 | 第35-36页 |
| ·日类型对行驶时间曲线的影响 | 第36页 |
| ·天气类型对行驶时间曲线的影响 | 第36-37页 |
| ·重大节日对行驶时间曲线的影响 | 第37页 |
| ·本章小结 | 第37-38页 |
| 第四章 基于二次训练的公交车行驶时间预测 | 第38-47页 |
| ·引言 | 第38页 |
| ·公交车行驶时间预测模型 | 第38-42页 |
| ·二次训练方法 | 第38-39页 |
| ·集成结论的生成 | 第39-40页 |
| ·优化权值 | 第40-42页 |
| ·预测模型的实现及应用 | 第42-46页 |
| ·预测模型的应用 | 第42-43页 |
| ·数据的预处理 | 第43页 |
| ·参数设置 | 第43页 |
| ·实验结果及分析 | 第43-46页 |
| ·本章小结 | 第46-47页 |
| 第五章 基于分类学习算法的公交车行驶时间预测 | 第47-57页 |
| ·前言 | 第47页 |
| ·理论分析 | 第47-50页 |
| ·分类学习算法 | 第47-48页 |
| ·理论分析 | 第48-49页 |
| ·动态调整权重 | 第49页 |
| ·广义回归网络介绍 | 第49-50页 |
| ·模型应用 | 第50-52页 |
| ·个体网络的生成 | 第50-51页 |
| ·动态权重神经网络生成 | 第51-52页 |
| ·实验结果及分析 | 第52-55页 |
| ·本章小结 | 第55-57页 |
| 总结和展望 | 第57-59页 |
| 参考文献 | 第59-63页 |
| 致谢 | 第63-64页 |
| 附录A 攻读硕士学位期间所发表的学术论文 | 第64页 |
