基于深度学习的路网短时交通流预测
| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第一章 绪论 | 第8-17页 |
| 1.1 研究背景及意义 | 第8-9页 |
| 1.2 短时交通流预测国内外研究现状 | 第9-13页 |
| 1.2.1 短时交通流预测概述 | 第9-11页 |
| 1.2.2 短时交通流预测国内外研究现状 | 第11-13页 |
| 1.3 深度学习发展及研究应用现状 | 第13-14页 |
| 1.3.1 深度学习的发展 | 第13-14页 |
| 1.3.2 深度学习的研究应用现状 | 第14页 |
| 1.4 论文主要研究内容和章节安排 | 第14-17页 |
| 第二章 常用路网数据压缩算法 | 第17-23页 |
| 2.1 主成分分析法 | 第17-18页 |
| 2.2 离散余弦变换 | 第18-20页 |
| 2.3 CUR分解 | 第20-22页 |
| 2.4 相关分析法 | 第22页 |
| 2.5 本章小结 | 第22-23页 |
| 第三章 深度学习基本理论 | 第23-33页 |
| 3.1 深度学习概述 | 第23-24页 |
| 3.1.1 深度学习概念 | 第23页 |
| 3.1.2 浅层学习和深度学习 | 第23-24页 |
| 3.2 深度学习的训练过程 | 第24-26页 |
| 3.3 深度学习的常用模型 | 第26-32页 |
| 3.3.1 深度自动编码模型 | 第26-27页 |
| 3.3.2 深度信念网络模型 | 第27-30页 |
| 3.3.3 卷积神经网络模型 | 第30-32页 |
| 3.4 深度学习的应用 | 第32页 |
| 3.5 本章小结 | 第32-33页 |
| 第四章 DBN-SVR路网短时交通流预测模型 | 第33-42页 |
| 4.1 路网交通流数据压缩 | 第33-35页 |
| 4.1.1 路网相关性分析 | 第33-34页 |
| 4.1.2 路网数据压缩矩阵的构造 | 第34-35页 |
| 4.2 数据的预处理 | 第35-36页 |
| 4.2.1 谱分解的基本原理 | 第35-36页 |
| 4.2.2 基于谱分解的交通流分解 | 第36页 |
| 4.3 DBN-SVR路网短时交通流预测模型 | 第36-39页 |
| 4.3.1 DBN模型 | 第37-38页 |
| 4.3.2 支持向量回归 | 第38-39页 |
| 4.3.3 DBN-SVR路网短时交通流预测模型 | 第39页 |
| 4.4 预测方法的处理步骤 | 第39-40页 |
| 4.5 预测结果的性能评价指标 | 第40页 |
| 4.6 本章小结 | 第40-42页 |
| 第五章 DBN-SVR路网短时交通流预测结果分析 | 第42-56页 |
| 5.1 交通数据来源 | 第42页 |
| 5.2 交通流时空特性分析 | 第42-46页 |
| 5.3 模型参数确定 | 第46-50页 |
| 5.4 预测结果及分析 | 第50-55页 |
| 5.4.1 非周末预测结果 | 第50-52页 |
| 5.4.2 周末预测结果 | 第52-54页 |
| 5.4.3 预测结果对比分析 | 第54-55页 |
| 5.5 本章小结 | 第55-56页 |
| 总结与展望 | 第56-59页 |
| 参考文献 | 第59-65页 |
| 攻读学位期间取得的研究成果 | 第65-66页 |
| 致谢 | 第66页 |
