| 摘要 | 第1-7页 |
| ABSTRACT | 第7-11页 |
| 第一章 绪论 | 第11-20页 |
| ·交通流预测研究的背景及意义 | 第11-13页 |
| ·研究的背景 | 第11-12页 |
| ·研究的意义价值体现 | 第12-13页 |
| ·交通流预测模型国内外研究现状 | 第13-16页 |
| ·交通流预测模型研究 | 第13-15页 |
| ·基本小波神经网络预测模型及模型的改进 | 第15-16页 |
| ·本文的内容框架 | 第16-18页 |
| ·论文章节安排 | 第18-20页 |
| 第二章 交通流短时预测的背景知识 | 第20-28页 |
| ·交通预测的基本概念 | 第20-22页 |
| ·交通流预测的基本概念 | 第20-21页 |
| ·交通流预测基本流程 | 第21-22页 |
| ·交通流数据采集和数据分析 | 第22-26页 |
| ·交通流数据采集 | 第22-25页 |
| ·交通流数据异常的识别 | 第25页 |
| ·交通流故障数据的修复方法 | 第25-26页 |
| ·交通流短时预测的基本方法 | 第26-27页 |
| ·本章小结 | 第27-28页 |
| 第三章 基于小波神经网络模型的交通流预测 | 第28-45页 |
| ·神经网络模型介绍 | 第28-33页 |
| ·神经网络算法原理 | 第29-31页 |
| ·BP算法实现流程 | 第31-33页 |
| ·小波神经网络预测模型 | 第33-36页 |
| ·小波神经网络模型基础 | 第33-35页 |
| ·基于小波神经网络交通预测的流程图 | 第35-36页 |
| ·交通流数据的处理 | 第36页 |
| ·交通流仿真实验 | 第36-44页 |
| ·交通流数据预处理及来源 | 第36-39页 |
| ·交通流预测仿真实验 | 第39-42页 |
| ·小波神经网络模型的优点及不足 | 第42-44页 |
| ·本章小结 | 第44-45页 |
| 第四章 基于改进小波神经网络模型的交通预测 | 第45-68页 |
| ·基于粒子群算法改进的小波神经网络模型 | 第45-49页 |
| ·粒子群算法 | 第45-47页 |
| ·基本粒子群算法流程 | 第47页 |
| ·粒子群算法的改进 | 第47-49页 |
| ·基于粒子群算法优化小波神经网络 | 第49-50页 |
| ·基于粒子群算法优化小波神经网络预测算法步骤 | 第49-50页 |
| ·粒子群算法优化的小波神经网络的交通流预测 | 第50-54页 |
| ·交通流仿真实验 | 第50-53页 |
| ·基本PSO算法优化小波神经网络存在的问题 | 第53-54页 |
| ·云模型 | 第54-57页 |
| ·云模型的理论背景 | 第54-55页 |
| ·云模型的发展与应用 | 第55-56页 |
| ·云模型的理论基础 | 第56-57页 |
| ·云粒子群算法 | 第57-61页 |
| ·粒子更新公式的改进 | 第57-58页 |
| ·ICPSO算法流程 | 第58-61页 |
| ·基于云粒子群优化小波神经网络的模型 | 第61-66页 |
| ·基于云粒子群算法优化的小波神经网络的交通流预测仿真实验 | 第62-64页 |
| ·模型试验对比 | 第64-66页 |
| ·本章小结 | 第66-68页 |
| 第五章 交通流预测结果在智能交通管理系统(ITMS)中的应用 | 第68-73页 |
| ·智能交通管理系统（ITMS）介绍 | 第68-69页 |
| ·交通流预测在智能交通系统中的应用 | 第69-73页 |
| 第六章 研究结论与展望 | 第73-76页 |
| ·研究结论 | 第73-74页 |
| ·研究展望 | 第74-76页 |
| 参考文献 | 第76-79页 |
| 附录 | 第79-85页 |
| 攻读硕士学位期间发表的学术论文及取得的相关科研成果 | 第85-86页 |
| 致谢 | 第86-87页 |
