|
|
|
基于深度学习的短时交通流量预测研究 |
|
论文目录 |
|
摘要 | 第2-3页 | abstract | 第3页 | 第一章 绪论 | 第6-11页 | 1.1 研究背景与意义 | 第6-7页 | 1.2 国内外研究现状 | 第7-9页 | 1.3 本文主要研究内容与组织结构 | 第9-11页 | 1.3.1 论文研究内容 | 第9-10页 | 1.3.2 论文组织结构 | 第10-11页 | 第二章 短时交通流预测研究 | 第11-16页 | 2.1 短时交通流预测概述 | 第11页 | 2.2 短时交通流特性分析 | 第11-13页 | 2.3 短时交通流预测模型构建依据 | 第13页 | 2.4 短时交通流预测评价标准 | 第13-14页 | 2.5 短时交通流量的预测流程 | 第14-15页 | 2.6 本章小结 | 第15-16页 | 第三章 深度学习理论 | 第16-27页 | 3.1 深度学习概述 | 第16页 | 3.1.1 深度学习的基本概念 | 第16页 | 3.2 深度学习的训练算法 | 第16-18页 | 3.3 常见的深度学习模型和方法 | 第18-25页 | 3.3.1 自编码器 | 第18-20页 | 3.3.2 栈式自编码 | 第20-21页 | 3.3.3 循环神经网络 | 第21-25页 | 3.4 深度学习的优点和应用 | 第25-26页 | 3.5 本章小结 | 第26-27页 | 第四章 LSTM-SVR短时交通流预测模型 | 第27-45页 | 4.1 短时交通流分析 | 第27-28页 | 4.2 LSTM-SVR短时交通流预测模型 | 第28-31页 | 4.2.1 特征提取 | 第28-29页 | 4.2.2 预测器 | 第29-30页 | 4.2.3 算法描述 | 第30页 | 4.2.4 预测过程 | 第30-31页 | 4.3 实验与验证 | 第31-44页 | 4.3.1 交通流数据来源 | 第31-32页 | 4.3.2 缺失数据填补 | 第32页 | 4.3.3 数据归一化处理 | 第32-33页 | 4.3.4 交通流数据相空间关联 | 第33-35页 | 4.3.5 实验环境 | 第35页 | 4.3.6 模型参数的设定 | 第35-37页 | 4.3.7 不同时间间隔的预测分析 | 第37-39页 | 4.3.8 工作日和非工作日的预测分析 | 第39-41页 | 4.3.9 高峰期的预测分析 | 第41-43页 | 4.3.10 预测结果对比分析 | 第43-44页 | 4.4 本章小结 | 第44-45页 | 第五章 基于数据增强的短时交通流量预测 | 第45-54页 | 5.1 问题分析 | 第45页 | 5.2 基于自编码交通流量数据集增强 | 第45-49页 | 5.2.1 数据增强方法 | 第45-47页 | 5.2.2 预测结果及分析 | 第47-49页 | 5.3 基于高斯噪声交通流量数据增强 | 第49-52页 | 5.3.1 数据增强方法 | 第49页 | 5.3.2 预测结果与分析 | 第49-52页 | 5.4 混合使用两种增强数据 | 第52-53页 | 5.5 本章小结 | 第53-54页 | 第六章 总结与展望 | 第54-56页 | 6.1 总结 | 第54页 | 6.2 展望 | 第54-56页 | 参考文献 | 第56-59页 | 攻读学位期间的研究成果 | 第59-60页 | 致谢 | 第60-61页 |
|
|
|
|
论文编号BS3836830,这篇论文共61页 会员购买按0.35元/页下载,共需支付21.35元。 直接购买按0.5元/页下载,共需要支付30.5元 。 |
|
|
我还不是会员,注册会员!
会员下载更优惠!充值送钱! |
我只需要这篇,无需注册!
直接网上支付,方便快捷! |
|
|
|
版权申明:本目录由www.jylw.com网站制作,本站并未收录原文,如果您是作者,需要删除本篇论文目录请通过QQ或其它联系方式告知我们,我们承诺24小时内删除。 |
|
|