基于深度神经网络的短时客流量预测
| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-16页 |
| 1.1 研究背景与意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-14页 |
| 1.2.1 客流量预测的研究现状 | 第11-12页 |
| 1.2.2 深度学习的研究现状 | 第12-14页 |
| 1.3 本文的研究内容 | 第14页 |
| 1.4 本文的结构框架 | 第14-16页 |
| 第二章 相关理论介绍 | 第16-31页 |
| 2.1 短时客流量基础 | 第16-17页 |
| 2.2 深度学习理论基础 | 第17-19页 |
| 2.2.1 人工神经网络基本原理 | 第17-18页 |
| 2.2.2 BP神经网络基本原理 | 第18-19页 |
| 2.3 深度学习模型简介 | 第19-26页 |
| 2.3.1 自动编码器模型 | 第21-24页 |
| 2.3.2 卷积神经网络模型 | 第24-26页 |
| 2.4 支持向量机 | 第26-29页 |
| 2.5 本章小结 | 第29-31页 |
| 第三章 基于变分自编码模型的短时客流量预测 | 第31-47页 |
| 3.1 变分自编码网络模型与算法 | 第31-34页 |
| 3.1.1 变分自编码模型算法 | 第31-32页 |
| 3.1.2 变分自编码模型的训练 | 第32-34页 |
| 3.2 基于变分自编码模型的客流量预测 | 第34-36页 |
| 3.2.1 VAR模型结构 | 第34-35页 |
| 3.2.2 VAR模型预测过程 | 第35-36页 |
| 3.3 实验测评 | 第36-45页 |
| 3.3.1 数据预处理及评价标准 | 第36-40页 |
| 3.3.2 模型参数调整及结果分析 | 第40-45页 |
| 3.4 本章小结 | 第45-47页 |
| 第四章 基于卷积神经网络的短时客流量预测 | 第47-56页 |
| 4.1 基于卷积神经网络模型的客流量预测 | 第47-50页 |
| 4.1.1 CNN-SVM模型结构 | 第47-49页 |
| 4.1.2 模型训练及预测 | 第49-50页 |
| 4.2 实验测评 | 第50-54页 |
| 4.2.1 卷积神经网络参数的调整 | 第51页 |
| 4.2.2 支持向量机参数的调整 | 第51-53页 |
| 4.2.3 实验结果对比 | 第53-54页 |
| 4.3 两种模型的对比 | 第54-55页 |
| 4.4 本章小结 | 第55-56页 |
| 第五章 总结与展望 | 第56-58页 |
| 5.1 总结 | 第56页 |
| 5.2 展望 | 第56-58页 |
| 致谢 | 第58-59页 |
| 参考文献 | 第59-63页 |
| 附录 | 第63-64页 |
| 详细摘要 | 第64-66页 |
