车载网中基于深度学习的流量预测及分析研究
| 摘要 | 第4-5页 |
| abstract | 第5页 |
| 第一章 绪论 | 第8-12页 |
| 1.1 研究背景及意义 | 第8页 |
| 1.2 国内外研究现状 | 第8-10页 |
| 1.3 主要研究内容 | 第10页 |
| 1.4 论文的组织结构 | 第10-12页 |
| 第二章 相关技术 | 第12-23页 |
| 2.1 车载网相关介绍 | 第12-15页 |
| 2.1.1 车载网概述 | 第12-13页 |
| 2.1.2 车载网特点 | 第13页 |
| 2.1.3 车载网应用与挑战 | 第13-14页 |
| 2.1.4 车载网路由协议分类 | 第14-15页 |
| 2.2 车载网仿真工具 | 第15-17页 |
| 2.2.1 交通仿真器 | 第15-16页 |
| 2.2.2 网络仿真器 | 第16-17页 |
| 2.3 深度学习概述 | 第17-19页 |
| 2.4 深度学习相关模型 | 第19-22页 |
| 2.4.1 受限玻尔兹曼机 | 第19-21页 |
| 2.4.2 深度置信网络 | 第21-22页 |
| 2.5 本章小节 | 第22-23页 |
| 第三章 实验模型设计与流量分析 | 第23-38页 |
| 3.1 仿真场景设计 | 第23-26页 |
| 3.1.1 车辆移动场景 | 第23-24页 |
| 3.1.2 网络通信场景 | 第24-25页 |
| 3.1.3 总体仿真框架 | 第25-26页 |
| 3.2 实验仿真与流量处理 | 第26-32页 |
| 3.2.1 交通仿真与流量获取 | 第26-28页 |
| 3.2.2 网络仿真与流量获取 | 第28-31页 |
| 3.2.3 流量预处理 | 第31-32页 |
| 3.3 网络性能评估 | 第32-33页 |
| 3.3.1 丢包率分析 | 第32-33页 |
| 3.3.2 吞吐量分析 | 第33页 |
| 3.4 两种流量的相关性分析 | 第33-37页 |
| 3.4.1 场景一仿真结果分析 | 第34-36页 |
| 3.4.2 场景二仿真结果分析 | 第36-37页 |
| 3.5 本章小结 | 第37-38页 |
| 第四章 基于DBN的流量预测结果分析 | 第38-50页 |
| 4.1 问题概述 | 第38页 |
| 4.2 数据预处理 | 第38-40页 |
| 4.2.1 交通流量预处理 | 第39页 |
| 4.2.2 网络流量预处理 | 第39-40页 |
| 4.2.3 归一化 | 第40页 |
| 4.3 基于DBN的预测模型构建 | 第40-42页 |
| 4.3.1 模型结构 | 第40-41页 |
| 4.3.2 算法步骤 | 第41-42页 |
| 4.4 评价指标 | 第42-44页 |
| 4.5 预测结果与分析 | 第44-49页 |
| 4.5.1 交通流量的预测结果 | 第44-45页 |
| 4.5.2 网络流量的预测结果 | 第45-47页 |
| 4.5.3 预测结果对比分析 | 第47-49页 |
| 4.6 本章小结 | 第49-50页 |
| 第五章 总结与展望 | 第50-52页 |
| 5.1 总结 | 第50-51页 |
| 5.2 展望 | 第51-52页 |
| 参考文献 | 第52-55页 |
| 发表论文和科研情况说明 | 第55-56页 |
| 致谢 | 第56页 |
