城市道路交通流量短时预测的研究
| 摘要 | 第1-5页 |
| ABSTRACT | 第5-9页 |
| 第一章 绪论 | 第9-14页 |
| ·智能交通系统概述 | 第9-12页 |
| ·智能交通系统组成 | 第9-10页 |
| ·国内外研究现状 | 第10-12页 |
| ·本文的研究意义 | 第12-13页 |
| ·本文的研究内容 | 第13页 |
| ·本文的结构安排 | 第13-14页 |
| 第二章 交通流量的采集和特点分析 | 第14-22页 |
| ·交通流量的采集技术 | 第14-15页 |
| ·交通流量的特点分析 | 第15-19页 |
| ·动态性分析 | 第15-16页 |
| ·时间相似性分析 | 第16-18页 |
| ·空间相关性分析 | 第18-19页 |
| ·交通流量数据预处理方法 | 第19页 |
| ·故障数据的识别 | 第19-20页 |
| ·故障数据的修复 | 第20-21页 |
| ·小结 | 第21-22页 |
| 第三章 交通流量短时预测方法概述 | 第22-28页 |
| ·历史平均预测方法 | 第22-23页 |
| ·自回归滑动平均预测方法 | 第23-24页 |
| ·卡尔曼滤波预测方法 | 第24页 |
| ·非参数回归预测方法 | 第24-26页 |
| ·灰色理论预测方法 | 第26页 |
| ·多模型融合预测方法 | 第26-27页 |
| ·小结 | 第27-28页 |
| 第四章 人工神经网络理论简介 | 第28-42页 |
| ·神经网络的特点 | 第28-29页 |
| ·神经网络的结构与泛化能力 | 第29-32页 |
| ·神经元模型 | 第29页 |
| ·神经网络的激活函数 | 第29-30页 |
| ·神经网络的结构 | 第30-31页 |
| ·神经网络的泛化能力 | 第31-32页 |
| ·神经网络的学习算法 | 第32-38页 |
| ·BP神经网络概述 | 第34页 |
| ·BP神经网络的结构 | 第34-35页 |
| ·BP神经网络的学习过程 | 第35-36页 |
| ·BP神经网络的设计 | 第36-38页 |
| ·RBF神经网络概述 | 第38-40页 |
| ·RBF神经网络的结构 | 第38-39页 |
| ·RBF神经网络的学习过程 | 第39-40页 |
| ·GRNN神经网络概述 | 第40-41页 |
| ·GRNN神经网络的结构 | 第40-41页 |
| ·GRNN神经网络的学习过程 | 第41页 |
| ·小结 | 第41-42页 |
| 第五章 短时交通流量预测模型的实例分析 | 第42-59页 |
| ·交通流量数据来源 | 第42-45页 |
| ·预测模型的评价 | 第45-47页 |
| ·预测模型的评价方法 | 第45-47页 |
| ·预测模型的评价指标 | 第47页 |
| ·输入数据的预处理 | 第47-48页 |
| ·预测模型的结构 | 第48页 |
| ·基于BP神经网络的交通流量预测实例分析 | 第48-53页 |
| ·BP神经网络预测模型的建模 | 第48-49页 |
| ·BP神经网络预测模型的算法设计 | 第49-50页 |
| ·BP神经网络的实例预测结果分析 | 第50-53页 |
| ·基于RBF神经网络的交通流量预测实例分析 | 第53-55页 |
| ·RBF神经网络预测模型的建模 | 第53页 |
| ·RBF神经网络预测模型的算法设计 | 第53-54页 |
| ·RBF神经网络的实例预测结果分析 | 第54-55页 |
| ·基于GRNN神经网络的交通流量预测实例分析 | 第55-57页 |
| ·GRNN神经网络预测模型的建模 | 第55页 |
| ·GRNN神经网络预测模型的算法设计 | 第55-56页 |
| ·GRNN神经网络预测模型的预测结果分析 | 第56-57页 |
| ·选用不同预测模型的效果比较 | 第57-58页 |
| ·小结 | 第58-59页 |
| 第六章 结论 | 第59-61页 |
| ·论文的主要研究结论 | 第59页 |
| ·有待进一步研究的问题 | 第59-61页 |
| 参考文献 | 第61-64页 |
| 致谢 | 第64-65页 |
| 攻读学位期间取得的学术成果 | 第65页 |
