| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第12-22页 |
| 1.1 研究背景 | 第12-15页 |
| 1.1.1 车载自组织网 | 第12-13页 |
| 1.1.2 智能交通系统 | 第13-14页 |
| 1.1.3 交通流预测 | 第14-15页 |
| 1.2 国内外研究现状 | 第15-20页 |
| 1.2.1 基于参数的交通流预测方法 | 第16页 |
| 1.2.2 基于非参数的交通流预测方法 | 第16-18页 |
| 1.2.3 基于极限学习机的交通流预测方法 | 第18-20页 |
| 1.3 本文工作 | 第20-21页 |
| 1.4 本文结构 | 第21-22页 |
| 第2章 交通流预测理论基础 | 第22-32页 |
| 2.1 引言 | 第22页 |
| 2.2 交通流特征及参数 | 第22-24页 |
| 2.3 交通流预测 | 第24-30页 |
| 2.3.1 交通流预测流程 | 第24-25页 |
| 2.3.2 交通流预测数据预处理 | 第25-28页 |
| 2.3.3 基本交通流预测模型 | 第28-29页 |
| 2.3.4 交通流预测模型优劣对比 | 第29-30页 |
| 2.4 交通流预测性能评价 | 第30-31页 |
| 2.5 小结 | 第31-32页 |
| 第3章 基于在线序列的实时极限学习机短时交通流预测模型 | 第32-50页 |
| 3.1 引言 | 第32页 |
| 3.2 极限学习机概述 | 第32-40页 |
| 3.2.1 单隐层前馈神经网络(SLFN)概述 | 第32-34页 |
| 3.2.2 极限学习机(ELM)概述 | 第34-39页 |
| 3.2.3 极限学习机应用于短时交通流预测 | 第39-40页 |
| 3.3 实时极限学习机模型 | 第40-46页 |
| 3.3.1 在线序列学习机制 | 第40-42页 |
| 3.3.2 自适应丢弃机制 | 第42-45页 |
| 3.3.3 在线序列实时极限学习机模型应用于短时交通流预测 | 第45-46页 |
| 3.4 实验结果及分析 | 第46-49页 |
| 3.5 小结 | 第49-50页 |
| 第4章 基于权值融合的反馈实时极限学习机短时交通流预测模型 | 第50-59页 |
| 4.1 引言 | 第50页 |
| 4.2 反馈实时极限学习机 | 第50-53页 |
| 4.2.1 反馈机制 | 第50-51页 |
| 4.2.2 粒子群反馈机制 | 第51-53页 |
| 4.3 融合机制 | 第53-55页 |
| 4.3.1 加权平均融合机制 | 第53-54页 |
| 4.3.2 Adaboost融合机制 | 第54-55页 |
| 4.4 实验结果及分析 | 第55-58页 |
| 4.5 小结 | 第58-59页 |
| 第5章 非平稳交通场景中实验仿真及结果分析 | 第59-73页 |
| 5.1 引言 | 第59页 |
| 5.2 实验平台及场景设置 | 第59-60页 |
| 5.3 实验数据预处理 | 第60-61页 |
| 5.4 实验结果及分析 | 第61-72页 |
| 5.4.1 非平稳场景一---峰值期间 | 第61-66页 |
| 5.4.2 非平稳场景二---数据缺失 | 第66-72页 |
| 5.5 小结 | 第72-73页 |
| 结论 | 第73-75页 |
| 参考文献 | 第75-80页 |
| 致谢 | 第80-81页 |
| 附录A 攻读学位期间所发表的学术论文目录 | 第81-82页 |
| 附录B 攻读硕士学位期间所参与的科研活动 | 第82页 |
