基于互信息特征选择与ACSA-WNN的短时交通流预测方法研究
| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第1章 绪论 | 第8-17页 |
| 1.1 研究背景与意义 | 第8-10页 |
| 1.2 交通流预测研究现状 | 第10-14页 |
| 1.3 论文主要研究内容与组织结构 | 第14-17页 |
| 1.3.1 论文主要研究内容 | 第14-15页 |
| 1.3.2 论文组织结构 | 第15-17页 |
| 第2章 相关基础理论概述 | 第17-33页 |
| 2.1 交通流基本理论 | 第17-24页 |
| 2.1.1 交通流基本参数 | 第17-20页 |
| 2.1.2 交通流特点分析 | 第20-21页 |
| 2.1.3 实验数据准备及预处理 | 第21-23页 |
| 2.1.4 交通流预测评价标准 | 第23-24页 |
| 2.2 BP神经网络简述 | 第24-32页 |
| 2.2.1 人工神经元模型结构 | 第25-27页 |
| 2.2.2 BP神经网络学习过程 | 第27-30页 |
| 2.2.3 BP神经网络的改进方式 | 第30-32页 |
| 2.3 本章小结 | 第32-33页 |
| 第3章 基于MIFS-BPNN的短时交通流预测 | 第33-46页 |
| 3.1 互信息概述 | 第33-37页 |
| 3.1.1 互信息与熵 | 第33-35页 |
| 3.1.2 互信息计算 | 第35-37页 |
| 3.2 基于MIFS-BPNN预测模型构建 | 第37-40页 |
| 3.2.1 特征选择概述 | 第37-38页 |
| 3.2.2 MIFS-BPNN预测模型基本流程 | 第38-40页 |
| 3.3 实验与结果分析 | 第40-45页 |
| 3.4 本章小结 | 第45-46页 |
| 第4章 基于ACSA-WNN的短时交通流预测 | 第46-58页 |
| 4.1 小波神经网络 | 第46-48页 |
| 4.1.1 小波分析基本理论 | 第46-47页 |
| 4.1.2 小波神经网络构建 | 第47-48页 |
| 4.2 克隆选择算法 | 第48-52页 |
| 4.2.1 克隆选择算法基本原理 | 第49-50页 |
| 4.2.2 改进的克隆选择算法 | 第50-52页 |
| 4.3 基于ACSA-WNN的短时交通流预测模型 | 第52-54页 |
| 4.3.1 自适应克隆选择算法基本流程 | 第52-53页 |
| 4.3.2 ACSA-WNN预测算法基本流程 | 第53-54页 |
| 4.4 实验与结果分析 | 第54-57页 |
| 4.5 本章小结 | 第57-58页 |
| 第5章 总结与展望 | 第58-60页 |
| 5.1 工作总结 | 第58-59页 |
| 5.2 展望 | 第59-60页 |
| 参考文献 | 第60-64页 |
| 致谢 | 第64-65页 |
| 攻读硕士学位期间从事的科研工作及取得的成果 | 第65页 |
