| 摘要 | 第2-4页 |
| Abstract | 第4-5页 |
| 1 绪论 | 第8-20页 |
| 1.1 研究背景与研究意义 | 第8-10页 |
| 1.1.1 城市交通拥堵问题 | 第8-9页 |
| 1.1.2 智能交通和智慧交通 | 第9页 |
| 1.1.3 大型活动对城市交通的影响 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-16页 |
| 1.2.1 交通流预测研究现状 | 第10-15页 |
| 1.2.2 大型活动对交通的影响研究现状 | 第15-16页 |
| 1.3 本文的主要研究内容和技术路线 | 第16-20页 |
| 1.3.1 研究内容 | 第16-17页 |
| 1.3.2 技术路线 | 第17-20页 |
| 2 交通流预测的基本理论 | 第20-37页 |
| 2.1 交通流理论 | 第20-27页 |
| 2.1.1 交通流参数 | 第20-22页 |
| 2.1.2 主要交通流理论 | 第22-27页 |
| 2.2 基于ARIMA的交通流预测模型 | 第27-30页 |
| 2.2.1 时间序列预测法简介 | 第27-28页 |
| 2.2.2 ARMA模型和ARIMA模型 | 第28页 |
| 2.2.3 ARIMA模型的建模和预测流程 | 第28-30页 |
| 2.3 基于BP神经网路的交通流预测模型 | 第30-35页 |
| 2.3.1 人工神经网络简介 | 第30-32页 |
| 2.3.2 BP神经网络模型 | 第32-34页 |
| 2.3.3 BP网络的训练和预测步骤 | 第34-35页 |
| 2.4 预测模型评价指标 | 第35页 |
| 2.5 本章小结 | 第35-37页 |
| 3 大型活动中区域交通流特性分析 | 第37-50页 |
| 3.1 案例介绍——大连市东港音乐喷泉 | 第37-38页 |
| 3.2 交通流数据采集 | 第38-40页 |
| 3.2.1 交通流数据相关采集技术 | 第38-39页 |
| 3.2.2 案例数据 | 第39-40页 |
| 3.3 交通流数据的预处理 | 第40-45页 |
| 3.3.1 异常数据的识别 | 第41-42页 |
| 3.3.2 异常数据的修复方法 | 第42-43页 |
| 3.3.3 案例的数据预处理 | 第43-45页 |
| 3.4 交通流特性分析 | 第45-49页 |
| 3.5 本章小结 | 第49-50页 |
| 4 基于ARIMA和BP网络组合模型的区域交通预测 | 第50-72页 |
| 4.1 基于ARIMA的短时交通流预测 | 第51-57页 |
| 4.1.1 活动举办期间的ARIMA模型 | 第51-52页 |
| 4.1.2 活动未举办期间的ARIMA模型 | 第52-53页 |
| 4.1.3 ARIMA模型的预测效果 | 第53-57页 |
| 4.2 基于BP网络的短时交通流预测 | 第57-62页 |
| 4.2.1 BP神经网络模型的建立 | 第57-60页 |
| 4.2.2 BP网络模型的预测效果 | 第60-62页 |
| 4.3 基于组合模型的短时交通流预测 | 第62-71页 |
| 4.3.1 算法设计 | 第62-65页 |
| 4.3.2 组合模型的建立及预测过程 | 第65-69页 |
| 4.3.3 预测结果分析 | 第69-71页 |
| 4.4 本章小结 | 第71-72页 |
| 5 结论和展望 | 第72-74页 |
| 5.1 结论 | 第72页 |
| 5.2 展望 | 第72-74页 |
| 参考文献 | 第74-78页 |
| 致谢 | 第78-80页 |