| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7页 |
| 1 绪论 | 第11-19页 |
| 1.1 研究背景及意义 | 第11-13页 |
| 1.1.1 研究背景 | 第11-12页 |
| 1.1.2 研究意义 | 第12-13页 |
| 1.2 国内外研究现状 | 第13-16页 |
| 1.3 论文研究内容和结构图 | 第16-19页 |
| 1.3.1 论文研究内容 | 第16-17页 |
| 1.3.2 论文结构图 | 第17-19页 |
| 2 交通流理论及预测方法研究 | 第19-27页 |
| 2.1 交通流理论 | 第19-22页 |
| 2.1.1 短时交通流特性 | 第19-20页 |
| 2.1.2 短时交通流预测的需求 | 第20-22页 |
| 2.2 短时交通流预测方法概述 | 第22-26页 |
| 2.2.1 基于线性理论的模型 | 第22-24页 |
| 2.2.2 基于非线性理论的模型 | 第24-25页 |
| 2.2.3 其他预测方法 | 第25-26页 |
| 2.3 本章小结 | 第26-27页 |
| 3 交通流数据分析及处理 | 第27-37页 |
| 3.1 交通流数据特点分析 | 第27-31页 |
| 3.1.1 数据说明 | 第27页 |
| 3.1.2 交通流数据统计分析 | 第27-31页 |
| 3.2 小波阈值去噪 | 第31-34页 |
| 3.2.1 小波基和分解层数的选择 | 第31-32页 |
| 3.2.2 小波阈值函数的选择 | 第32-33页 |
| 3.2.3 数据去噪处理 | 第33-34页 |
| 3.3 相空间重构 | 第34-36页 |
| 3.3.1 相空间重构原理 | 第34-35页 |
| 3.3.2 相空间重构计算步骤 | 第35-36页 |
| 3.4 本章小结 | 第36-37页 |
| 4 基于粒子滤波和神经网络的改进算法 | 第37-47页 |
| 4.1 神经网络理论 | 第37-40页 |
| 4.1.1 神经网络概述 | 第37-38页 |
| 4.1.2 BP神经网络基本原理 | 第38-40页 |
| 4.2 粒子滤波算法 | 第40-44页 |
| 4.2.1 贝叶斯滤波 | 第40-41页 |
| 4.2.2 蒙特卡洛方法 | 第41-42页 |
| 4.2.3 重要性采样和重采样 | 第42-43页 |
| 4.2.4 粒子滤波算法原理 | 第43-44页 |
| 4.3 粒子滤波改进神经网络算法 | 第44-46页 |
| 4.3.1 传统方式的局限与不足 | 第44-45页 |
| 4.3.2 改进算法的基本思想 | 第45-46页 |
| 4.4 本章小结 | 第46-47页 |
| 5 实例预测与分析 | 第47-57页 |
| 5.1 BP神经网络预测 | 第47-50页 |
| 5.1.1 BP神经网络结构参数选取 | 第47-48页 |
| 5.1.2 神经网络实现框架——Tensorflow | 第48-49页 |
| 5.1.3 算法实现步骤 | 第49-50页 |
| 5.2 基于粒子滤波与神经网络的改进预测算法 | 第50-52页 |
| 5.2.1 粒子滤波重要性函数及重采样方法选取 | 第50-51页 |
| 5.2.2 改进算法实现步骤 | 第51-52页 |
| 5.3 实验结果对比及分析 | 第52-56页 |
| 5.3.1 BP神经网络预测结果 | 第52-54页 |
| 5.3.2 改进算法预测结果 | 第54-55页 |
| 5.3.3 评价指标及对比分析 | 第55-56页 |
| 5.4 本章小结 | 第56-57页 |
| 6 总结与展望 | 第57-59页 |
| 6.1 论文主要工作及结论 | 第57页 |
| 6.2 本文创新点 | 第57-58页 |
| 6.3 下一步工作展望 | 第58-59页 |
| 参考文献 | 第59-63页 |
| 附录A | 第63-65页 |
| 附录B | 第65-67页 |
| 附录C | 第67-69页 |
| 作者简历及攻读硕士学位期间取得的研究成果 | 第69-73页 |
| 学位论文数据集 | 第73页 |