| 摘要 | 第1-5页 |
| Abstract | 第5-8页 |
| 第一章 绪论 | 第8-12页 |
| ·课题的研究背景和意义 | 第8页 |
| ·国内外ITS研究现状 | 第8-10页 |
| ·智能交通系统发展概述 | 第8-9页 |
| ·交通流量预测的发展 | 第9-10页 |
| ·本文的工作内容 | 第10-12页 |
| ·本文的研究工作 | 第10-11页 |
| ·章节安排 | 第11-12页 |
| 第二章 人工神经网络的基本理论 | 第12-23页 |
| ·人工神经网络研究的发展历史 | 第12-13页 |
| ·人工神经网络基础知识 | 第13-17页 |
| ·人工神经网络模型 | 第13-16页 |
| ·神经网络的训练和学习 | 第16-17页 |
| ·BP神经网络的基本理论 | 第17-22页 |
| ·BP神经网络概述 | 第18-19页 |
| ·BP学习算法 | 第19-22页 |
| ·本章小结 | 第22-23页 |
| 第三章 BP神经网络在短时交通流量预测中的应用 | 第23-38页 |
| ·基于BP神经网络交通流量预测模型的建立 | 第23-28页 |
| ·输入层数据的选择 | 第23-25页 |
| ·BP神经网络预测模型分析 | 第25-28页 |
| ·基于BP神经网络预测模型仿真实例 | 第28-37页 |
| ·传统BP算法的不足及改进 | 第28-33页 |
| ·基于LM算法BP神经网络的交通流量预测结果及分析 | 第33-37页 |
| ·本章小结 | 第37-38页 |
| 第四章 智能算法优化BP神经网络在交通流量预测中的应用 | 第38-57页 |
| ·粒子群算法及其改进 | 第38-43页 |
| ·基本粒子群算法 | 第38-40页 |
| ·粒子群算法的缺陷及其改进 | 第40-42页 |
| ·MPSO-BP神经网络混合算法 | 第42-43页 |
| ·基于粒子群神经网络短时交通流量预测结果分析 | 第43-46页 |
| ·遗传算法在交通流量预测中的应用 | 第46-53页 |
| ·基本遗传算法 | 第46-50页 |
| ·基本遗传算法的不足及改进 | 第50-53页 |
| ·IAGA-BP神经网络复合预测算法 | 第53页 |
| ·基于IAGA-BP神经网络短时交通量预测结果分析 | 第53-56页 |
| ·本章小结 | 第56-57页 |
| 第五章 APSO-BP神经网络交通流量预测模型 | 第57-61页 |
| ·自适应变异算子的引入 | 第57页 |
| ·基于APSO-BP神经网络短时交通流量预测结果分析 | 第57-59页 |
| ·预测算法分析总结 | 第59-60页 |
| ·本章小结 | 第60-61页 |
| 第六章 总结与展望 | 第61-63页 |
| 参考文献 | 第63-65页 |
| 附录1 攻读硕士学位期间撰写的论文 | 第65-66页 |
| 致谢 | 第66页 |
