| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第1章 引言 | 第8-16页 |
| 1.1 研究背景和意义 | 第8-10页 |
| 1.1.1 研究背景 | 第8-9页 |
| 1.1.2 研究意义 | 第9-10页 |
| 1.2 研究现状 | 第10-13页 |
| 1.3 论文的主要工作 | 第13-14页 |
| 1.4 论文的组织结构 | 第14-16页 |
| 第2章 相关理论基础 | 第16-37页 |
| 2.1 聚类算法 | 第17-21页 |
| 2.1.1 聚类算法概述 | 第17-19页 |
| 2.1.2 Kmeans | 第19-21页 |
| 2.2 分类算法 | 第21-27页 |
| 2.2.1 分类概述 | 第21-22页 |
| 2.2.2 支持向量机 | 第22-25页 |
| 2.2.3 K最近邻 | 第25-27页 |
| 2.3 交通流基本参数和特性 | 第27-32页 |
| 2.3.1 交通流基本参数 | 第28-30页 |
| 2.3.2 交通流的特性 | 第30-32页 |
| 2.4 BP神经网络 | 第32-36页 |
| 2.4.1 人工神经网络概述 | 第32页 |
| 2.4.2 BP神经网络原理 | 第32-36页 |
| 2.5 本章小结 | 第36-37页 |
| 第3章 改进的Kmeans聚类算法 | 第37-50页 |
| 3.1 方法流程 | 第37-41页 |
| 3.2 实验环境和数据集 | 第41-44页 |
| 3.3 SVM-Kmeans的实现 | 第44-45页 |
| 3.4 KNN-Kmeans的实现 | 第45-47页 |
| 3.5 基于改进的Kmeans的聚类分析 | 第47-49页 |
| 3.6 本章小结 | 第49-50页 |
| 第4章 结合聚类分析与BP神经网络的交通流预测方法 | 第50-64页 |
| 4.1 方法框架 | 第50-52页 |
| 4.2 BP神经网络交通流预测方法 | 第52-57页 |
| 4.3 短时交通流预测的评价标准 | 第57页 |
| 4.4 BP神经网络交通流预测 | 第57-62页 |
| 4.5 结论 | 第62-63页 |
| 4.6 本章小结 | 第63-64页 |
| 第5章 结束语 | 第64-66页 |
| 5.1 总结 | 第64页 |
| 5.2 后续研究工作 | 第64-66页 |
| 参考文献 | 第66-71页 |
| 致谢 | 第71-72页 |
| 攻读硕士学位期间从事的科研工作及取得的成果 | 第72-73页 |