| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第一章 绪论 | 第10-13页 |
| 1.1 研究背景和目的 | 第10页 |
| 1.2 研究意义 | 第10-11页 |
| 1.3 研究的创新之处 | 第11页 |
| 1.4 研究方法与论文内容安排 | 第11-13页 |
| 1.4.1 研究方法 | 第11页 |
| 1.4.2 论文内容安排 | 第11-13页 |
| 第二章 交通流量预测模型的研究综述 | 第13-19页 |
| 第三章 人工神经网络的相关理论 | 第19-31页 |
| 3.1 神经网络的发展与神经元的数学算法描述 | 第19-23页 |
| 3.1.1 神经网络的发展 | 第19页 |
| 3.1.2 人工神经元的数学算法描述 | 第19-23页 |
| 3.2 BP神经网络 | 第23-27页 |
| 3.2.1 BP神经网络的网络结构 | 第23-24页 |
| 3.2.2 BP算法的数学算法描述 | 第24-27页 |
| 3.3 LSTM循环神经网络 | 第27-29页 |
| 3.3.1 LSTM循环神经网络的网络结构 | 第27-28页 |
| 3.3.2 LSTM算法的数学算法描述 | 第28-29页 |
| 3.4 BP神经网络与LSTM循环神经网络的对比 | 第29-31页 |
| 第四章 基于LSTM循环神经网络与BP神经网络的预测实例 | 第31-54页 |
| 4.1 交通流量预测的相关影响因素分析 | 第31-32页 |
| 4.1.1 是否节假日 | 第31页 |
| 4.1.2 是否周末 | 第31页 |
| 4.1.3 天气因素 | 第31页 |
| 4.1.4 经济因素 | 第31-32页 |
| 4.1.5 其他因素 | 第32页 |
| 4.2 基于LSTM循环神经网络模型的预测实例 | 第32-45页 |
| 4.2.1 数据来源 | 第34页 |
| 4.2.2 数据预处理 | 第34-37页 |
| 4.2.3 训练集与测试集的选取 | 第37页 |
| 4.2.4 输入输出向量的选择 | 第37-38页 |
| 4.2.5 网络层数选择 | 第38页 |
| 4.2.6 隐含层神经元个数的选取 | 第38-39页 |
| 4.2.7 激励函数的选取 | 第39页 |
| 4.2.8 初始权值和阀值的选取 | 第39页 |
| 4.2.9 学习速率的选取 | 第39-40页 |
| 4.2.10 网络训练 | 第40-42页 |
| 4.2.11 网络预测 | 第42-45页 |
| 4.3 基于BP神经网络模型的预测实例 | 第45-52页 |
| 4.3.1 网络训练 | 第45-48页 |
| 4.3.2 网络预测 | 第48-52页 |
| 4.4 预测结果对比分析 | 第52-54页 |
| 第五章 总结与展望 | 第54-56页 |
| 5.1 本文工作总结 | 第54-55页 |
| 5.2 下一步展望 | 第55-56页 |
| 参考文献 | 第56-58页 |
| 攻读硕士学位期间完成的科研成果 | 第58-59页 |
| 致谢 | 第59页 |