基于混合智能计算的城市交通流预测研究
| 摘要 | 第1-6页 |
| ABSTRACT | 第6-10页 |
| 插图清单 | 第10-11页 |
| 第一章 绪论 | 第11-20页 |
| ·智能计算的研究与发展 | 第11-14页 |
| ·模糊逻辑 | 第11-12页 |
| ·人工神经网络 | 第12-13页 |
| ·进化计算 | 第13-14页 |
| ·智能交通系统的发展及研究内容 | 第14-15页 |
| ·城市短时交通流预测的主要方法 | 第15-17页 |
| ·混合智能计算应用于城市交通流预测的研究与发展 | 第17-18页 |
| ·研究内容及方法技术路线 | 第18-20页 |
| 第二章 城市交通参数及预测原理 | 第20-27页 |
| ·城市信号控制参数 | 第20-21页 |
| ·周期 | 第20页 |
| ·相位 | 第20-21页 |
| ·绿信比 | 第21页 |
| ·城市交通流的概念及参数 | 第21-23页 |
| ·交通流量 | 第21页 |
| ·平均速度 | 第21-22页 |
| ·密度和占有率 | 第22-23页 |
| ·城市交通流的预测原理 | 第23-24页 |
| ·城市交通量的采集及预处理 | 第24-27页 |
| ·交通量的采集 | 第24-25页 |
| ·数据预处理 | 第25-27页 |
| 第三章 人工神经网络及智能优化算法简介 | 第27-39页 |
| ·前馈型神经网络 | 第27-30页 |
| ·BP 神经网络 | 第28-29页 |
| ·RBF 神经网络 | 第29-30页 |
| ·反馈型神经网络 | 第30-32页 |
| ·Hopfield 神经网络 | 第30-31页 |
| ·Elman 神经网络 | 第31-32页 |
| ·智能优化算法 | 第32-39页 |
| ·遗传算法 | 第33-35页 |
| ·模拟退火算法 | 第35页 |
| ·群体智能 | 第35-39页 |
| 第四章 基于前馈神经网络的城市交通流预测模型 | 第39-54页 |
| ·概述 | 第39-40页 |
| ·研究对象 | 第40-41页 |
| ·基于BP 神经网络的预测模型 | 第41-42页 |
| ·基于BP 神经网络的预测模型优化 | 第42-47页 |
| ·基于BP 算法模型优化 | 第42-45页 |
| ·基于遗传算法模型优化 | 第45-47页 |
| ·基于RBF 神经网络的预测模型 | 第47-49页 |
| ·RBF 神经网络的预测模型 | 第47-48页 |
| ·RBF 神经网络的模型仿真结果 | 第48-49页 |
| ·基于RBF 神经网络的预测模型优化 | 第49-52页 |
| ·基于遗传算法的模型优化 | 第49-51页 |
| ·基于粒子群算法的模型优化 | 第51-52页 |
| ·预测仿真分析总结 | 第52-54页 |
| ·预测样本的结果分析 | 第52页 |
| ·神经网络模型的预测结果分析 | 第52-53页 |
| ·优化神经网络模型的预测结果分析 | 第53-54页 |
| 第五章 基于反馈型神经网络的城市交通流预测模型 | 第54-63页 |
| ·概述 | 第54页 |
| ·基于Elman 神经网络的预测模型 | 第54-55页 |
| ·基于Elman 神经网络的预测模型优化 | 第55-62页 |
| ·基于BP 算法的模型优化 | 第55-57页 |
| ·基于遗传算法的模型优化 | 第57-58页 |
| ·基于传统粒子群算法的模型优化 | 第58-59页 |
| ·基于变异粒子群算法的模型优化 | 第59-62页 |
| ·各种优化模型的预测精度比较 | 第62页 |
| ·预测仿真总结 | 第62-63页 |
| 第六章 总结与展望 | 第63-65页 |
| ·总结 | 第63-64页 |
| ·展望 | 第64-65页 |
| 致谢 | 第65-66页 |
| 参考文献 | 第66-71页 |
| 附录(攻读学位期间发表的学术论文) | 第71页 |
