一、城市交通流量的非线性混沌预测模型研究(英文)（论文文献综述）
郭义戎[1]（2021）在《基于城市道路交通数据的交通流短时预测与诱导方法研究》文中研究表明智能交通系统（Intelligent Transportation System,ITS）是指将先进的信息技术、数据通讯传输技术、电子传感技术及计算机技术等有效地集成运用于整个地面交通管理系统而建立的一种在大范围内实时、准确、高效的综合交通运输管理系统。随着当今社会信息的快速传递,智能交通系统中数据获取和处理的数量呈指数增长,如何从高速增长的数字信息中分析掌握可靠的交通信息对交通管理有着深远的意义。因此,为了充分挖掘和利用交通数据中蕴含的丰富交通信息,进一步提高交通状态预测和识别的精确度,有必要研究和探索交通状态预测的新方法。有必要研究和探索用于交通状态预测的新方法,以充分挖掘交通数据所蕴含的丰富交通信息,进一步提升交通状态判别与预测的准确性和可靠性。论文结合现代信息技术中不同的信息处理方法,从数据预处理、交通预测、交通诱导等角度逐步探讨了城市道路交通数据的一些可靠分析方法,解决交通数据中个别样本缺失、交通预测准确率低、诱导信息利用效率不高等问题。具体工作内容如下:（1）基于低秩矩阵的交通数据插补方法为了从交通大数据中分析及掌握可靠的交通信息,结合现代信息技术,探讨了城市道路交通数据的特性及故障数据产生的原因,由于交通数据的缺失将严重影响交通信息系统的性能,有必要对交通数据插补进行研究。首先,介绍了基于核范最小化的低秩矩阵插补模型;其次,在传统的低秩矩阵插补方法中将奇异值部分和最小化范数代替核范数对低秩矩阵交通数据进行恢复;最后,提出了一种将有序约束项引入到奇异值部分和最小化的改进方法。通过真实的两类交通数据验证了对缺失交通数据的恢复,证明了提出的方法优于传统方法。（2）基于多交通参数融合的城市道路交通流短时预测方法针对交通系统的混沌现象,为了更全面的反映交通状况的变化特征,采用多交通参数从不同的侧面为短时交通预测提供更加完整的交通状态变化特征。首先,由于一维的时间序列结构单一且包含的信息量很少,并不能够展现高维复杂系统的运动规律。因此根据交通参数的混沌特性,短时交通流预测模型需要引入相空间重构并依据相空间重构后所展现的客观规律进行预测;其次,研究基于贝叶斯估计理论的多参数时间序列在高维相空间中的相点融合问题;再次,介绍了基于传统最大Lyapunov指数的多交通参数交通状态预测模型;最后,应用广义回归神经网络改进了基于最大Lyapunov指数的多交通参数交通状态预测模型,并利用城市道路交通数据对改进的预测方法与传统的基于Lyapunov指数的预测方法的精确性进行了对比验证。结果表明,改进的基于广义回归神经网络多交通参数交通状态预测方法具有较高的预测精度和效率。（3）基于多神经网络融合的城市道路交通流短时预测方法基于广义回归神经网络的多交通参数融合交通流短时预测方法在复杂路网情况下容易陷入局部极小状态,通过神经网络算法良好的识别复杂非线性系统的特性及多种神经网络模型的相互补充,提出了一种循环神经网络、误差反向传播神经网络、广义回归神经网络优势的城市道路交通数据短时交通状态预测模型。通过多种神经网络模型优缺点的互补,验证了融合后的预测结果能够更好的提升城市道路交通数据短时预测精确度。（4）基于诱导信息效用最大化的VMS（Variable Message Sign,VMS）优化布设新方法在现有诱导效用最大化模型的基础上,提出了一种新的基于实际诱导效用最大化的可变信息板优化布设方法。该方法主要是对原有的效用最大化模型进行改进,通过对可变信息板诱导效用的复杂性进行分析,增加了重复诱导的效用与浪费的效用参与实际效用的计算,并对诱导覆盖率和诱导重复率进行重新定义,最后设计了基于贪婪算法的信息板优化布设的函数求解方法。通过36个路段的网络实例,验证了该方法简单有效,可以通过分析交通流的复杂状况对信息板进行优化配置,在区域道路复杂状况和交通需求点相对确定的条件下,提高整个系统的诱导效率,因而更符合实际交通流诱导的需要。（5）基于双层规划模型的VMS诱导信息发布方法为了合理地对城市交通流进行诱导,减少因VMS引起的不恰当的交通诱导,需要从使用者和管理者的博弈中进行优化,提出了基于双层规划模型的VMS诱导信息发布方法。首先,分析了交通系统管理者和使用者之间的博弈过程;其次,依靠双层规划模型建立了VMS诱导信息发布策略优化模型;最后,依据遗传算法实现了优化模型的求解方法。通过城市道路交通数据验证了VMS诱导策略优化过程的有效性,提高了路网的整体运行效率,为其进一步应用提供支持。
刘艳春[2]（2021）在《基于交通参数预测的高速公路交通状态预估研究》文中认为高速公路在带动经济发展和人们日常通行中扮演着越来越重要的角色,虽然相关基础设施在不断完善,但面对快速增长的交通出行量依旧供不应求,使得常态性交通拥堵现象扩展到了高速公路领域,从而产生了能源消耗增多、道路事故频发和管理引导滞后等系列问题。截至目前,关于高速公路交通状态预估研究问题,虽然已有大量的理论探索和实践应用成果,但却非完善,而且随着交通流预测等相关领域研究的不断深入,对此类问题的探讨就有了更高的要求。因此,本文展开了基于交通参数预测的高速公路交通状态预估方法研究。首先,基于PEMS系统中提供的美国洛杉矶I-5高速公路环形线圈检测数据,统计并探讨了现阶段交通信息采集方式的优缺点与适用性,并且在对数据进行预处理之后分析研究了交通参数的特性和时空相关关系,以及产生这种现象的具体原因。另外阐明交通参数与交通状态之间的联系。其次,为了充分挖掘高速公路交通流数据的时空特征,提出构建GCN-Bi LSTM组合预测模型。先使用图卷积神经网络捕获交通流数据的空间特征,再利用双向长短期记忆网络从前后两个方向分析数据的时间特性,最大限度获得历史交通流的潜在规律,从而对流量、速度和占有率等表征参数进行精准预测。然后,分析并阐述了模糊聚类在交通状态判别中的应用,为了更准确地预估高速公路交通状态,提出构建一种基于遗传算法改进的模糊C均值聚类预估模型。先通过FCM获得初始种群,再利用遗传算法全局搜索的优势寻求最佳聚类中心,进而实现准确分类,达到高效预估交通状态的目的。最后,为了验证上述构建模型的可行性,先将样本数据输入到预测模型中得到流量、速度和占有率等交通参数的预测值,发现预测值与观测值吻合较好,说明该研究模型的预测精度高;然后将预测模型的输出作为状态预估模型的输入,得到交通状态分类结果,实验结果证明该方法对高速公路交通状态实现了有效估计,模型的可用性得到证实,同时也更为直观地展现了高速公路未来时段的交通状态变化过程,有助于交通信息的提前发布。图42幅,表16个,参考文献76篇。
孙云飞[3]（2021）在《城市道路短时交通流预测方法研究与应用》文中研究指明随着中国城市化进程的加快,城市汽车保有量不断增加,城市交通需求呈现增长态势,引发出交通拥堵、交通事故等一系列关乎民生福祉的问题,严重阻碍了城市的高质量发展。在当前的城市智能交通系统中,快速准确的交通流预测是城市交通控制的必要前提,在智能交通系统中发挥着重要作用。基于以上背景,本文对道路数据特征展开研究,提出了不同交通原始数据情况下的两种短时交通流预测方法,设计并实现了一个短时交通流预测系统,主要工作如下:（1）提出了基于改进贝叶斯的短时交通流组合预测模型。针对单个模型精度差、适用场景范围小的不足,将差分滑动平均自回归预测模型、灰色预测模型和长短时记忆网络预测模型进行组合,同时把贝叶斯算法引入组合权重评估中,提出了最近迭代权重的贝叶斯计算方法,利用子模型最近预测误差来动态分配组合权重,在提高组合模型灵敏度的同时加快了模型的迭代速度。采用Pe MS交通数据集测试了本文模型,实验结果表明,该组合预测模型在均方根误差等指标优于对比模型,具有更高的预测精度。（2）提出了基于道路时空特征的短时交通流预测模型。针对传统算法难以捕获交通流时间和空间关系的不足,将目标道路原始交通流数据信号分解为趋势数据、残差数据和固定周期数据,使用门控循环单元对趋势数据部分进行时间维度的特征挖掘和预测,同时使用卷积神经网络分析周围道路交通流与目标道路残差数据间的关系,对残差数据部分进行空间维度上的特征挖掘和预测。最后,将趋势数据、残差数据和周期数据进行汇总完成最终的预测。采用Pe MS交通数据集测试了本文模型,实验结果表明,本文提出的交通流预测模型能够对目标道路的空间维度和时间维度进行有效的特征挖掘,与对比模型相比具有更高的预测精度。（3）设计并实现了一套城市道路短时交通流预测系统。该系统可提供多用户同时在线进行模型训练与预测的功能,设计了交通流预测系统的整体架构与系统子模块,并对预测系统主要功能模块的实现过程进行了详细阐述。
赵伟航[4]（2020）在《基于随机网络的地铁车站环境参数预测》文中进行了进一步梳理随着中国地铁运营能力的提高,大城市的人们更多地选择地铁出行。有些地铁线路在早、晚高峰时运营负荷量大,造成部分早期建设的地铁车站环境质量下降。地铁车站内环境参数受空气流动、人群流动等因素影响,具有特殊的变化规律,站内不同位置的环境参数之间既有联系又有差异,因此对全站重要节点的环境参数进行长时间地监测与预测成为一大难点,对于此类特点的环境参数,本文研究并使用随机网络中的随机向量泛函连接（Random Vector Functional Link,RVFL）神经网络方法探索环境参数变化规律。神经网络能通过对历史数据进行训练,找出一段时间内环境参数的变化规律,而与传统BP神经网络相比,RVFL神经网络具有建模简单、训练速度快、预测结果准确的优点。在对环境参数进行多步预测时,传统的单步滚动预测会随着步数增加预测精度逐渐降低,本文在基于RVFL神经网络的多输出预测基础上提出一种误差补偿策略,可以使多步预测更加准确,同时,只需调节输出层节点数与网络参数就可以对未来一段时间数据进行预测,网络结构简单,不需要循环输入,而且模型可以进行在线更新。通过实验验证,预测精度与速度都有较大优势。在此基础上,本文通过对车站内多个空间节点环境参数数据进行分析,对不同节点间环境参数的传导关系进行网络建模,对某节点的环境参数数据进行参数回归,建模时使用随机配置网络（Stochastic configuration network,SCN）与RVFL模型融合的方式增强回归模型的泛化性能与稳定性。此方法可以使用少量传感器对车站空间内不同节点的环境参数进行长时间监测与预测,降低了环境监测成本。通过本文的实验研究,为地铁车站内环境参数监测和预测提供了一种快速有效的方法,为环控措施提供准确的数据支持。
林福海[5]（2020）在《基于LSTM的短时交通流预测研究》文中提出短时交通流预测能够帮助城市交通管理部门完成对交通的诱导与控制,减少城市拥堵程度、提高城市运行效率。提高预测效果是该技术发展的重点之一,本文选择交叉口区域路段为预测路段,预测方法选择深度学习理论中具有长期“记忆”能力的长短时记忆网络（Long Short Term Memory Network,LSTM）,主要研究内容如下:1.首先,确定模型输入数据的构造形式,为此对交通流的时空特性分别作出分析:时间维度上,对预测路段进行时间序列分析研究,确定与当前时刻存在明显相关性的过去前5个时刻的历史流量数据;空间维度上,分析预测路段与相邻路段之间的空间相关性,确认与预测路段具有显着相关性的相邻路段,以此构建交通流数据的时空相关矩阵;2.接着,对交通流预测问题进行数学描述,使用预测路段及与其存在空间显着相关的邻近路段当前时刻之前的历史交通流量数据来对预测路段当前时刻的交通流量进行预测;在原有LSTM网络上作出改良,借助卷积和池化处理模型的输入数据,以此构建本文基于LSTM的短时交通流预测模型,并对模型进行参数调优处理。3.最后,设计实证方案,从模型的预测准确率、邻近路段对模型预测准确率影响情况以及模型的长期“记忆”能力三方面进行实例试验,得出结论:（1）本文模型预测准确率接近95%,相比于LSTM单点预测模型、BP神经网络模型（Back Propagation,BP）和支持向量机模型（Support Vector Machine,SVM）有着更好的预测效果。同时,模型对其他路段也具有较高的预测准确率,说明模型具有可移植性。（2）改变输入模型的邻近路段数量会影响本文模型的预测准确率。具体来说,随着引入的有效路段数量的增加,模型的预测准确率整体上呈上升趋势。（3）在输入的历史数据长度取不同值的情况下,对比上述其他模型来说,本文模型的预测准确率变化很小,验证了LSTM网络的长期“记忆”能力。
段辉明[6]（2020）在《基于数据驱动的交通流动力学灰预测建模方法研究》文中研究表明交通流动力学是介于流体力学、应用数学、系统工程和交通工程等领域间的一门交叉边缘学科,旨在通过研究交通流参数变量特征,建立适当宏观和微观模型,揭示各种交通流现象。短时交通流预测是智能交通系统核心部分,通过预测交通流参数变量,获取实时、动态和准确的交通流信息,给出行者提供实时交通状况。根据交通流流体的特性,研究短时交通流动力学灰预测建模方法,分析交通流量、密度和速度的动态变化规律,揭示交通系统实时特性,为交通规划、控制和优化提供可靠的理论依据。数据驱动模式信息的角度可将交通流数据分为向量数据流形式、矩阵数据流形式以及张量数据流形式。一般以时间序列向量数据流和以断面观测矩阵数据流为基础,进行交通流参数预测。然而利用张量数据流预测短时交通流参数变化规律,可以深入挖掘交通流数据内在特性。同时短时交通流观测尺度一般不超过15分钟,交通诱导的周期一般为5分钟,这样一个小时只有12个数据,属于小样本数据,具有明显的灰色系统特性。因此,利用交通流数据的不同模式,建立相应短期预测的灰色模型也是合理可行的。论文的主要工作如下:针对交通流向量数据流形式和宏观流体力学连续方程的性质,建立路段宏观交通流动力学灰预测模型。通过车辆守恒方程,分析路段交通流状态规律,结合交通流量、速度和密度三参数的相互关系,建立路段交通流微分方程;利用灰色系统微分和差分的差异性信息,建立相关的灰预测模型;推导模型的参数辨识公式,研究模型的性质。通过两个案例的向量数据流说明新模型有效性,并将模型应用于北京市和武汉市某路段的短时交通流量预测中。进一步利用矩阵最小二乘算法有效地计算车辆流入率和阻塞交通量。针对交通流向量数据流形式和微观车辆跟驰理论的基本思想,建立微观交通流动力学惯性灰预测模型。通过交通流自由流和阻塞流状态规律,结合车辆跟驰模型的思想,利用交通流数据力学特性,建立微观车辆跟驰惯性灰预测模型。研究新模型的参数估计、惯性系数的性质、模型求解方法等。利用同一地点连续三天早高峰期的向量数据流进行短时交通流预测验证模型的有效性。同时将新模型推广,建立三种惯性离散灰预测模型,通过六组向量数据流预测结果判定三相交通流状态。针对交通流张量数据流形式和交通流动力学参数速度-密度模型的线性性,建立交通流动力学参变量灰预测模型。通过交通流三参数变量的速度-密度模型的线性性,结合灰预测模型的建模机理,建立交通流动力学参变量灰预测模型,并研究模型的参数估计和求解方法。同时研究交通流张量数据流的多模式特性,利用高维张量多模式表示交通流数据,建立张量交替最小二乘算法灰预测模型。通过两个案例分析张量交替最小二乘算法,研究近似张量数据时间强相关性特征。最后将张量交替二乘算法灰预测模型应用到短时交通流预测中,其效果优于直接应用交通流数据建模。针对交通流张量数据流形式和交通流数据时间多模式强相关性,建立张量多模式耦合灰预测模型。分析交通流张量数据流的多模式相关性,讨论“周-天-时段”的张量模型,建立张量耦合灰预测模型。从张量的三个维度方向运用不同交通流数据预测同一时段的交通流量,在不同维度方向采用不同的预测方法,“周模式”采用灰色NDGM（1,1）模型;“天模式”建立滚动灰色预测RNDGM模型;“时段模式”利用BP神经网络的预测方法。然后利用灰色关联分析法对三种模型取不同权重,最后预测同一时段的交通流量,实例分析耦合模型效果优于三种单一模型。
王佳丽[7]（2019）在《某大型公建能耗混沌特性分析与预测模型研究》文中研究表明我国大型公共建筑耗电量大约占城镇总耗电量的22%,属于典型的“用能大户”。因此,对大型公建进行节能降耗的研究显得尤其重要。其中,能耗预测是解决此问题的主要方法,通过预测未来时段能耗变化情况并加以分析,可以为大型公建用能分配提供科学的支撑,避免出现能源浪费现象。大型公建能耗受机电设备、天气、节假日等多种因素的相互作用,体现出复杂的非线性特征,使得传统的预测方法难以达到理想的预测效果。混沌理论通过相空间重构,可充分挖掘大型公建能耗内部的非线性规律。因此,本文提出了一种大型公建能耗混沌时间序列预测模型。论文以西安某办公建筑为研究对象,主要研究内容如下:（1）分析了某办公建筑能耗的混沌特性。利用EM算法处理采集的办公建筑的能耗数据,然后采用C-C方法求取该能耗时间序列的延迟时间?和嵌入维数m,结合两个参数值,采用小数据量法求出该能耗数据最大Lyapunov指数,结果表明该办公建筑能耗变化具有混沌特性。（2）建立了某办公建筑能耗混沌时间序列预测模型。利用神经网络与混沌理论相结合,针对能耗数据特征,分别建立了基于BP及RBF神经网络的混沌时间序列预测模型,并进行了对比研究。使用平均绝对百分误差MAPE以及均方根误差RMSE两个性能指标对该模型进行评价。实验结果表明,基于BP神经网络的混沌时间序列预测模型的MAPE仅为3.48%,RMSE仅为BP神经网络预测模型的1/5;基于RBF神经网络的混沌时间序列预测模型的MAPE仅为3.43%,RMSE仅为RBF神经网络预测模型的1/4。因此,相对于神经网络预测模型,将混沌理论与神经网络相结合的模型预测结果更精确。（3）开发了某办公建筑能耗混沌时间序列预测软件模块,提升了该建筑能耗管理信息系统功能,完成了该模块的运行界面设计,为建筑的节能降耗提供有力支撑。文中分析了西安某办公建筑的能耗数据的混沌特性,建立了其能耗混沌预测模型,开发了其相应功能的软件模块,实现了能耗管理可视化功能,可以有效指导此类大型公建的科学用能与节能工作,对今后的科学节能具有指导意义。
郝恩强[8]（2019）在《基于遗传算法优化支持向量机的城市交通状态识别与预测》文中研究说明现有城市道路网络的通行量难以匹配汽车出行量的迅猛增长,这就导致城市交通拥堵事件频繁发生,严重影响人们的正常生活和工作。而不成熟的城市交通管理系统是产生交通拥堵问题的根源所在,因此构建高效智能的城市交通管理系统,解决城市交通拥堵问题迫在眉睫。城市道路交通状态识别和预测是建立智能交通管理系统的基础和前提,因此,本文对城市道路交通状态识别和预测进行深入研究,以期为构建智能交通系统提供理论支撑。依托长沙市岳麓大道城市微波检测器装置所采集的交通流基础参数——流量、速度和占有率,选用聚类分析算法中的K-means算法对其进行分类评价,构建以顺畅流、平稳流、拥挤流和堵塞流为评价指标的城市交通状态识别的基础数据集。在此基础之上,将遗传算法和支持向量机相结合,通过遗传算法优化支持向量机的惩罚系数和核函数,构建基于GA-SVM的城市交通状态识别模型,模型较SVM模型识别准确率更高,测试集识别准确率达到98.75%。基于短时交通流理论基础,采集北京市四环路局部路段的交通流数据。考虑短时交通流预测在时空相关性研究上少有关注,本文在短时交通流预测的时空相关性研究基础上,将遗传算法的全局搜索优势应用于支持向量回归机参数优化,解决支持向量回归机在预测时参数难以准确选取的难题,构建基于时空融合的GA-SVR短时交通流预测模型。分析研究早、中、晚三个时段交通流预测,并与传统SVR预测模型进行对比,基于时空GA-SVR模型的预测误差均相对稳定,泛化能力更强。通过均方误差、平均绝对误差、平均绝对百分比误差3个角度对两模型的预测结果与实际流量进行定量对比分析,发现基于时空融合的GA-SVR模型的预测精度更高。
叶君文[9]（2019）在《基于混沌理论的边坡实测数据分析及变形预测研究》文中指出滑坡是比较常见的一种地质灾害,一旦发生会给人们带来极大的生命和财产损失。因此,开展滑坡的有效防控和精准预测研究具有重要的理论意义和现实意义。本文以延安某滑坡工程实例及模型试验为研究背景,首先通过现场监测获得大量的坡体变形数据,然后构建了滑坡体变形的混沌预测模型,并利用该模型处理了监测误差及监测仪器失效等情况下试验数据缺失的补偿问题。另外,针对目前滑坡变形监测数据单点预测的不足,提出了由点到线的预测处理方法,且结合有限元强度折减法对滑坡预警值的设定进行了研究。最后根据物理模型试验及ABAQUS软件模拟对边坡坡脚开挖进行了分析研究。本文的主要研究成果如下:（1）为了确定研究对象是否具有混沌特性,本文基于混沌理论探讨了如何求取混沌特性的相关参数。并采用最大Lyapunov指数,对滑坡地表累积位移、深部位移及物理模型试验位移监测等数据进行了分析。求得其?﹥0,即研究对象具有混沌特性。（2）通过对加权零阶局域法、改进加权一阶局域法、改进最大Lyapunov指数三种方法的加权优化处理,得到最优权联合预测模型。根据平均绝对误差结果可知,联合模型预测精度比任何一个单模型的预测精度高。并利用该预测方法对模型试验缺失的数据进行了相应的填补,根据处理结果可知:处理后的累积位移数据与完整的监测数据在整体上比较相近,但在细节上少了试验数据的回弹过程。（3）为了研究边坡坡脚开挖对滑坡稳定性的影响,本文对模型试验进行了坡脚开挖研究。结合软件模拟可得:首次将坡脚开挖将会导致突然产生大量的卸载荷,可致使滑坡在无外力作用下发生滑动。而后,随着开挖进行,位移量将逐渐趋于平稳。（4）针对单点预测的局限性及为了确定边坡在失稳时的破坏形式,本文通过点、线、面的发展思想,建立了滑坡预测线。利用有限元强度折减法得到边坡失稳状态,并将失稳时监测点位移值的80%作为预警值。且通过分析可知:边坡失稳时,B-B、D-D剖面为局部滑动,C-C剖面为整体滑动。
李桂毅[10]（2018）在《基于航迹数据的航路网络交通运行态势识别与预测技术研究》文中认为航路网络是空中交通系统的重要组成部分,其交通运行的畅通与否直接影响空中交通系统的运行安全与运行效率。航路网络交通运行态势的智能感知能力建设是全面开展智慧空管建设的基础和关键,不仅有助于空中交通管理部门全面掌握航路网络整体的运行态势,分析路网交通运行的瓶颈和关键节点,制定合理的交通优化管控措施,实现空中交通精细化管理,而且有助于航空公司合理优化航线,减少飞行延误,降低飞行成本。航路网络交通运行还处于传统经验型的粗放式管理模式,难以实现针对性、精细化的管理与决策,降低了空中交通系统的运行效率,一定程度上影响了航班运行的正常性水平。目前,关于航路网络交通运行态势识别与预测方面的研究较少,尚未形成科学的理论体系。本文针对于航路网络交通运行态势感知问题,基于航空器飞行航迹数据,主要从航路网络交通运行特性分析、航路网络及其航段交通运行态势评价、识别、预测这几个方面展开深入系统的研究,为构建航路网络交通运行态势智能感知技术体系奠定理论和技术基础。（1）航路网络交通流运行时空特性与变化规律分析。基于航路网络航迹数据,分析了航路网络交通流的时间特性和空间特性,在时间特性方面,发现航路网络交通流变化呈现混沌特性,且验证了航路网络交通流流量均值和方差存在幂律关系,流量波动同时受内部和外部影响因素的综合作用。在空间特性方面,发现航路网络航段交通流变化存在空间相关性,基于多维标度法依据相关性强弱将航段进行了相关性分组,为多航段交通流参数预测提供了支撑。（2）航路网络及其航段交通运行态势评价划分方法与模型。基于航路网络航迹数据,构建航路网络及其航段交通运行态势评价指标体系,依据航路网络交通运行特性,采用模糊综合评价法建立了航路网络整体交通运行状态评价模型;基于SAGA-FCM（遗传模拟退火-模糊聚类）算法,建立了航路网络航段交通运行状态划分模型,实现了航路网络整体和其航段交通运行状态模糊划分,并确定了航路网络交通运行态势的划分方法及标准。（3）航路网络及其航段交通运行态势识别方法与模型。针对于航路网络交通态势识别问题,基于机器学习和模式识别方法,建立了航路网络及其航段交通运行态势识别模型。采用支持向量机算法构建航路网络整体交通运行态势识别模型,采用集成学习算法构建路网航段交通运行态势识别模型,提出了基于航迹数据的航路网络交通运行态势识别方法,为航路网络及其航段交通运行态势预测提供了支撑。（4）航路网络及其航段交通运行态势预测方法与模型。针对于航路网络交通态势预测问题,采用RBF神经网络混沌时间序列预测方法,构建航路网络整体交通运行态势预测模型,采用BP、RBF、GRNN神经网络理论,构建路网航段交通运行状态融合预测模型,提出了基于航迹数据的航路网络交通运行态势预测方法,预测效果良好,可为航路网络交通运行优化与管控提供决策支持。本文针对航路网络交通运行态势感知问题,开展了较为深入、系统的研究。基于获取相对便捷、能够实时、精确反映航路网络交通运行态势的航空器飞行航迹数据构建了航路网络及其航段的交通态势评价、识别、预测方法与模型,形成一套基于航迹数据的航路网络交通运行态势感知的技术方案,为航路网络交通运行态势智能感知技术体系构建提供理论和技术支持。
二、城市交通流量的非线性混沌预测模型研究(英文)（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、城市交通流量的非线性混沌预测模型研究(英文)（论文提纲范文）
（1）基于城市道路交通数据的交通流短时预测与诱导方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 缩略语说明 |
| 第1章 绪论 |
| 1.1 课题的研究背景与意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 信息处理技术在智能交通中的国内外研究现状 |
| 1.2.1 交通数据预处理现状 |
| 1.2.2 交通状态预测现状 |
| 1.2.3 交通诱导信息处理现状 |
| 1.3 现有研究存在的问题与分析 |
| 1.4 论文的主要研究内容与创新点 |
| 1.5 论文的组织结构与安排 |
| 第2章 基于低秩矩阵的交通数据预处理方法 |
| 2.1 引言 |
| 2.1.1 城市道路交通数据特性分析 |
| 2.1.2 交通流参数数据检测技术 |
| 2.1.3 交通故障数据产生的原因 |
| 2.2 基于低秩矩阵的交通数据插补模型介绍 |
| 2.2.1 基于低秩矩阵的交通数据插补方法应用实例 |
| 2.2.2 基于核范数最小化的低秩矩阵插补模型 |
| 2.3 一种改进的低秩矩阵交通数据插补方法 |
| 2.3.1 基于稳健主成分分析矩阵插补方法研究 |
| 2.3.2 基于PSSV的交通数据插补方法 |
| 2.3.3 基于OPSSV的交通数据插补方法 |
| 2.3.4 实验验证与分析 |
| 2.4 本章小结 |
| 第3章 基于多交通参数融合的城市道路交通流短时预测方法 |
| 3.1 引言 |
| 3.2 交通参数的混沌特性 |
| 3.3 多参数时间序列相空间重构 |
| 3.4 多交通参数融合方法 |
| 3.4.1 常用数据融合方法比较分析 |
| 3.4.2 基于贝叶斯估计的交通参数融合方法 |
| 3.4.3 多交通流参数时间序列高维相空间融合方法 |
| 3.5 基于Lyapunov指数的多交通参数交通状态预测模型 |
| 3.6 基于GRNN的多交通参数交通状态预测模型 |
| 3.7 算例验证与分析 |
| 3.7.1 实验数据准备 |
| 3.7.2 实验验证与分析 |
| 3.8 本章小结 |
| 第4章 基于多神经网络融合的城市道路交通流短时预测方法 |
| 4.1 引言 |
| 4.2 城市道路交通流神经网络融合预测模型 |
| 4.2.1 交通流参数神经网络预测理论 |
| 4.2.2 城市道路交通流状态融合预测方法 |
| 4.2.3 基于多神经网络融合城市道路交通状态预测原理 |
| 4.2.4 基于多神经网络融合城市道路交通状态预测流程 |
| 4.3 算例验证与分析 |
| 4.3.1 实验数据准备 |
| 4.3.2 实验验证与分析 |
| 4.4 本章小结 |
| 第5章 基于VMS布设及诱导信息发布方法 |
| 5.1 引言 |
| 5.2 基于诱导信息效用最大化的VMS优化布设方法 |
| 5.2.1 问题分析 |
| 5.2.2 优化模型的建立 |
| 5.2.3 贪婪算法的优化步骤 |
| 5.2.4 评价指标的建立 |
| 5.2.5 实验验证与分析 |
| 5.3 基于VMS的诱导信息发布策略方法 |
| 5.3.1 VMS诱导信息发布策略博弈优化模型 |
| 5.3.2 VMS诱导信息发布策略博弈优化模型的算法 |
| 5.3.3 实验验证与分析 |
| 5.4 本章小结 |
| 总结和展望 |
| 参考文献 |
| 致谢 |
| 附录 A 攻读博士学位期间发表的学术论文 |
| 附录 B 攻读博士学位期间参与的科研项目 |
（2）基于交通参数预测的高速公路交通状态预估研究（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 交通流预测研究现状 |
| 1.2.2 交通状态判别研究现状 |
| 1.2.3 研究现状总结 |
| 1.3 研究内容与技术路线 |
| 1.4 本章小结 |
| 2 高速公路交通流数据及状态表征参数分析 |
| 2.1 高速公路概述 |
| 2.2 交通数据获取技术 |
| 2.2.1 固定检测 |
| 2.2.2 移动检测 |
| 2.3 数据来源及预处理 |
| 2.3.1 数据来源 |
| 2.3.2 异常数据处理 |
| 2.4 交通流特性分析 |
| 2.4.1 交通流表征参数 |
| 2.4.2 交通流相关性分析 |
| 2.5 交通状态 |
| 2.5.1 交通状态含义 |
| 2.5.2 交通状态分类 |
| 2.6 交通流参数与交通状态的关系 |
| 2.7 本章小结 |
| 3 基于深度学习的高速公路交通参数预测 |
| 3.1 概述 |
| 3.2 图卷积神经网络 |
| 3.2.1 原理分析 |
| 3.2.2 属性描述 |
| 3.2.3 空间维度 |
| 3.3 长短期记忆神经网络 |
| 3.3.1 长短期记忆神经网络 |
| 3.3.2 双向长短期记忆神经网络 |
| 3.4 基于GCN-BiLSTM交通参数预测模型 |
| 3.5 本章小结 |
| 4 基于模糊聚类的高速公路交通状态预估研究 |
| 4.1 概述 |
| 4.2 模糊C均值聚类 |
| 4.2.1 隶属度函数 |
| 4.2.2 原理分析 |
| 4.2.3 数学描述 |
| 4.2.4 模糊聚类算法特性分析 |
| 4.3 遗传算法 |
| 4.3.1 适应度函数 |
| 4.3.2 原理分析 |
| 4.4 基于FCM-GA的交通状预估模型 |
| 4.5 本章小结 |
| 5 基于交通参数预测的高速公路交通状态预估实例验证 |
| 5.1 实验平台 |
| 5.2 基于GCN-BiLSTM的交通参数预测 |
| 5.2.1 实验数据 |
| 5.2.2 评价指标 |
| 5.2.3 结果分析 |
| 5.2.4 表征参数选择 |
| 5.3 基于FCM-GA的交通状态预估研究 |
| 5.3.1 实验数据 |
| 5.3.2 评价指标 |
| 5.3.3 结果分析 |
| 5.4 本章小结 |
| 6 结论与展望 |
| 6.1 研究结论 |
| 6.2 研究展望 |
| 参考文献 |
| 作者简历及攻读硕士学位期间取得的研究成果 |
| 学位论文数据集 |
（3）城市道路短时交通流预测方法研究与应用（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.3 主要工作 |
| 1.4 章节安排 |
| 第二章 相关工作基础 |
| 2.1 交通流基本概念 |
| 2.2 交通流主要参数 |
| 2.3 交通流数据预处理 |
| 2.4 深度学习介绍 |
| 2.4.1 深度学习基本结构 |
| 2.4.2 循环神经网络理论基础 |
| 2.4.3 卷积神经网络理论基础 |
| 2.4.4 深度学习在交通流预测中的应用 |
| 2.5 本章小结 |
| 第三章 基于改进贝叶斯的短时交通流组合预测模型 |
| 3.1 引言 |
| 3.2 组合预测模型整体架构 |
| 3.3 单项预测模型 |
| 3.3.1 差分自回归移动平均预测模型 |
| 3.3.2 灰色预测模型 |
| 3.3.3 长短期记忆网络预测模型 |
| 3.4 基于改进贝叶斯的组合预测算法 |
| 3.5 实验及结果分析 |
| 3.6 本章小结 |
| 第四章 基于道路时空特征的短时交通流预测模型 |
| 4.1 引言 |
| 4.2 基于道路时空特征的预测模型整体架构 |
| 4.3 核心步骤及训练细节 |
| 4.3.1 趋势预测算法 |
| 4.3.2 残差预测算法 |
| 4.4 实验及结果分析 |
| 4.5 本章小结 |
| 第五章 城市道路短时交通流预测系统设计与实现 |
| 5.1 引言 |
| 5.2 需求分析 |
| 5.2.1 系统用例分析 |
| 5.2.2 功能需求分析 |
| 5.2.3 非功能需求分析 |
| 5.3 系统总体设计 |
| 5.4 系统模块设计 |
| 5.4.1 用户模块 |
| 5.4.2 文件上传模块 |
| 5.4.3 预测模块 |
| 5.4.4 可视化模块 |
| 5.4.5 数据库模块 |
| 5.4.6 计算节点模块 |
| 5.5 系统测试 |
| 5.6 系统的实现与展示 |
| 5.6.1 运行环境 |
| 5.6.2 系统展示 |
| 5.7 本章小结 |
| 第六章 总结与展望 |
| 6.1 全文总结 |
| 6.2 未来工作展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士学位期间取得的成果 |
（4）基于随机网络的地铁车站环境参数预测（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.2 国内外研究现状 |
| 1.2.1 地铁环境研究现状 |
| 1.2.2 神经网络预测研究现状 |
| 1.3 本文整体架构与内容 |
| 第二章 地铁车站热环境分析与实验环境介绍 |
| 2.1 地铁车站热环境分析 |
| 2.1.1 地铁环境的概念和特点 |
| 2.1.2 环境控制系统对地铁车站环境的影响 |
| 2.2 地铁典型车站热环境比较及实验数据获取 |
| 2.2.1 地铁车站结构及站台类型介绍 |
| 2.2.2 典型车站环境参数比较 |
| 2.2.3 地铁车站环境参数数据获取 |
| 2.2.4 数据降噪处理 |
| 2.3 本章总结 |
| 第三章 基于随机网络的环境参数时间序列预测 |
| 3.1 时间序列预测方法介绍 |
| 3.2 RVFL神经网络原理 |
| 3.3 基于RVFL神经网络的环境参数时间序列单步预测 |
| 3.3.1 RVFL神经网络预测模型的建立与预测过程 |
| 3.3.2 模型仿真结果分析 |
| 3.4 基于 RVFL 神经网络的环境参数时间序列多步预测 |
| 3.4.1 多步预测模型对比分析 |
| 3.4.2 基于误差补偿(Error compensation)策略的 RVFL 神经网络多步预测 |
| 3.5 本章总结 |
| 第四章 基于混合随机网络的空间节点环境参数回归 |
| 4.1 随机配置网络原理 |
| 4.2 基于混合随机网络的空间节点温度回归 |
| 4.2.1 确定回归预测模型输入与输出 |
| 4.2.2 训练集数据扩增 |
| 4.2.3 RVFL回归模型训练与超参数寻优 |
| 4.2.4 SCN回归模型建立 |
| 4.2.5 混合随机网络回归模型与单一回归模型比较 |
| 4.3 本章总结 |
| 第五章 结论与展望 |
| 5.1 主要结论 |
| 5.2 工作展望 |
| 参考文献 |
| 在学期间的研究成果 |
| 致谢 |
（5）基于LSTM的短时交通流预测研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景和意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 国内外研究综述 |
| 1.2.1 基于统计理论的预测模型 |
| 1.2.2 基于非线性理论的预测模型 |
| 1.2.3 基于传统人工神经网络的预测模型 |
| 1.2.4 基于深度学习的预测模型 |
| 1.3 论文短时交通流预测选择 |
| 1.3.1 预测对象的选择分析 |
| 1.3.2 预测方法的选择分析 |
| 1.4 研究内容和技术路线 |
| 1.4.1 研究内容 |
| 1.4.2 技术路线 |
| 第二章 交通流理论与数据分析 |
| 2.1 交通流数据采集与处理 |
| 2.1.1 数据采集 |
| 2.1.2 数据处理 |
| 2.2 交通流基本特性 |
| 2.3 交通流时空相关性 |
| 2.3.1 相关性分析理论 |
| 2.3.2 交通流时间相关性分析 |
| 2.3.2.1 相似性 |
| 2.3.2.2 周期性 |
| 2.3.2.3 时间序列分析 |
| 2.3.3 交通流空间相关性分析 |
| 2.4 短时交通流预测理论 |
| 2.5 本章小结 |
| 第三章 基于时空相关的LSTM短时交通流预测模型构建 |
| 3.1 神经网络理论基础 |
| 3.1.1 RNN循环神经网络原理 |
| 3.1.2 LSTM长短时记忆网络原理 |
| 3.2 基于时空相关的LSTM短时交通流预测模型 |
| 3.2.1 模型的构建 |
| 3.2.1.1 模型构建思路 |
| 3.2.1.2 数学模型建立 |
| 3.2.2 模型参数的确定 |
| 3.2.3 模型网络结构优化 |
| 3.2.4 模型的具体步骤 |
| 3.3 短时交通流预测性能评价指标 |
| 3.4 本章小结 |
| 第四章 实例分析与讨论 |
| 4.1 数据集来源与划分 |
| 4.2 模型网络结构与参数优化 |
| 4.2.1 网络结构调优 |
| 4.2.2 dropout层丢失率调优 |
| 4.2.3 batch＿size和 epoch调优 |
| 4.2.4 优化函数和学习率选取 |
| 4.3 模型预测结果与对比 |
| 4.3.1 模型的预测准确率分析 |
| 4.3.1.1 模型对其他路段的预测效果 |
| 4.3.1.2 模型与其他模型的预测效果比较 |
| 4.3.2 模型引入空间相关的临近路段对预测效果的影响 |
| 4.3.3 模型输入的历史数据长度对预测结果的影响 |
| 4.4 本章小结 |
| 总结与展望 |
| 总结 |
| 展望 |
| 参考文献 |
| 攻读学位期间取得的研究成果 |
| 致谢 |
（6）基于数据驱动的交通流动力学灰预测建模方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 选题的背景和研究意义 |
| 1.2 交通流动力学和流体力学的联系 |
| 1.3 交通流动力学研究进展 |
| 1.3.1 宏观和微观交通流动力学模型研究 |
| 1.3.2 交通流数据模式的预测模型研究 |
| 1.3.3 灰理论短时交通流预测模型研究 |
| 1.4 研究评述 |
| 1.5 论文主要内容和组织结构 |
| 1.5.1 论文主要内容 |
| 1.5.2 论文简写索引 |
| 1.5.3 论文组织结构 |
| 第2章 交通流动力学理论及交通流数据特性分析 |
| 2.1 交通流动力学参数模型 |
| 2.2 交通流动力学模型 |
| 2.2.1 宏观连续交通流动力学模型 |
| 2.2.2 微观车辆跟驰交通流动力学模型 |
| 2.2.3 宏观连续模型与微观跟驰模型的联系 |
| 2.3 交通流数据的相关性分析 |
| 2.4 交通流数据的张量多模式 |
| 2.4.1 张量分解理论 |
| 2.4.2 交通数据张量多模式表示 |
| 2.5 张量TUCKER分解数据恢复 |
| 2.5.1 张量Tucker分解数据恢复算法 |
| 2.5.2 张量Tucker分解数据恢复实例分析 |
| 2.6 本章小结 |
| 第3章 向量数据流的宏观交通流动力学灰预测模型 |
| 3.1 交通流连续性方程推导 |
| 3.2 宏观连续交通流动力学微分方程 |
| 3.3 宏观连续交通流动力学灰预测模型 |
| 3.3.1 Verhulst模型 |
| 3.3.2 宏观连续交通流动力学灰预测模型 |
| 3.4 模型的有效性分析 |
| 3.4.1 实例分析加拿大埃德蒙顿市高速公路交通流流量 |
| 3.4.2 实例分析杭州高速公路交叉口交通流流量 |
| 3.4.3 实例分析结果 |
| 3.5 模型的应用 |
| 3.5.1 北京市某主干路交通流量 |
| 3.5.2 武汉市武昌区建设路城市道路交通流量 |
| 3.5.3 模型应用结果分析 |
| 3.6 本章小结 |
| 第4章 向量数据流的微观交通流动力学灰预测模型 |
| 4.1 车辆跟驰模型的微分方程 |
| 4.2 车辆跟驰惯性灰预测模型 |
| 4.2.1 车辆跟驰惯性灰预测模型 |
| 4.2.2 模型的有效性分析 |
| 4.2.3 模型在短时交通流预测的应用 |
| 4.3 车辆跟驰惯性离散灰预测模型 |
| 4.3.1 交通流状态分析 |
| 4.3.2 惯性离散灰预测模型 |
| 4.3.3 模型在交通流状态判定中的应用 |
| 4.4 本章小结 |
| 第5章 张量数据流的交通流动力学参量灰预测模型 |
| 5.1 交通流动力学参量灰预测模型 |
| 5.2 张量交替最小二乘算法(ALS算法) |
| 5.2.1 张量ALS算法 |
| 5.2.2 张量ALS算法实例分析 |
| 5.2.3 张量ALS算法性能分析 |
| 5.3 张量交替最小二乘算法交通流动力学灰预测模型 |
| 5.3.1 建立张量交替最小二乘算法交通流动力学灰预测模型 |
| 5.3.2 模型的实例分析 |
| 5.4 本章小结 |
| 第6章 张量数据流的交通流动力学耦合灰预测模型 |
| 6.1 张量周模式——灰色NDGM(1,1)模型 |
| 6.2 张量天模式——灰色滚动NDGM模型 |
| 6.2.1 灰色滚动NDGM模型定义 |
| 6.2.2 灰色滚动NDGM模型的性质 |
| 6.2.3 灰色滚动NDGM模型的结果分析 |
| 6.3 BP神经网络简介 |
| 6.4 张量多模式耦合灰预测模型 |
| 6.4.1 张量耦合模型算法 |
| 6.4.2 张量耦合模型的实例分析 |
| 6.4.3 张量耦合模型的结果分析 |
| 6.5 本章小结 |
| 第7章 总结与展望 |
| 7.1 全文总结 |
| 7.2 主要创新点 |
| 7.3 展望 |
| 致谢 |
| 参考文献 |
| 攻读博士学位期间发表的论文 |
| 公开发表学术论文与博士学位论文的关系 |
| 攻读博士学位期间主持和参加的科研项目 |
（7）某大型公建能耗混沌特性分析与预测模型研究（论文提纲范文）
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 建筑能耗预测现状 |
| 1.2.2 混沌预测模型研究现状 |
| 1.3 研究内容 |
| 2 大型公建能耗混沌特性分析 |
| 2.1 相空间重构理论 |
| 2.1.1 混沌的定义 |
| 2.1.2 混沌系统特征量 |
| 2.2 延迟时间?的选择 |
| 2.2.1 自相关函数法 |
| 2.2.2 复自相关法 |
| 2.2.3 互信息量法 |
| 2.3 嵌入维数m的选择 |
| 2.3.1 伪最邻近点法 |
| 2.3.2 Cao氏方法 |
| 2.4 C-C方法联合选取嵌入维数和延迟时间 |
| 2.5 混沌特性判别方法 |
| 2.5.1 Wolf法计算最大Lyapunov指数 |
| 2.5.2 小数据量法计算最大Lyapunov指数 |
| 2.5.3 饱和关联维数法 |
| 2.5.4 最小二乘法计算Kolmogorov熵 |
| 2.6 大型公建能耗样本数据采集与处理 |
| 2.6.1 建筑基本概况 |
| 2.6.2 大型公建能耗样本数据的采集 |
| 2.6.3 大型公建能耗样本数据的处理 |
| 2.7 大型公建能耗混沌特性分析 |
| 2.8 本章小结 |
| 3 大型公建能耗混沌时间序列预测模型 |
| 3.1 BP神经网络原理 |
| 3.1.1 BP神经网络的结构 |
| 3.1.2 BP神经网络的学习过程 |
| 3.2 RBF神经网络原理 |
| 3.2.1 RBF神经网络的结构 |
| 3.2.2 RBF神经网络的学习过程 |
| 3.3 模型预测性能评价指标 |
| 3.4 Chaos-BP时间序列预测模型 |
| 3.4.1 BP神经网络预测模型及结果 |
| 3.4.2 Chaos-BP时间序列预测模型及结果 |
| 3.5 Chaos-RBF时间序列预测模型 |
| 3.5.1 RBF神经网络预测模型及结果 |
| 3.5.2 Chaos-RBF时间序列预测模型及结果 |
| 3.6 Chaos-BP与 Chaos-RBF时间序列预测模型对比分析 |
| 3.7 本章小结 |
| 4 大型公建能耗管理信息系统混沌时间序列预测模块实现 |
| 4.1 大型公建能耗管理信息系统结构和功能模块 |
| 4.2 大型公共建筑能耗预测模块需求分析 |
| 4.3 大型公建能耗预测模块的设计与实现 |
| 4.4 大型公建能耗预测模块运行界面 |
| 4.5 本章小结 |
| 5 总结与展望 |
| 5.1 总结 |
| 5.2 创新点 |
| 5.3 展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士期间发表的学术成果 |
（8）基于遗传算法优化支持向量机的城市交通状态识别与预测（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 交通状态识别与预测研究现状 |
| 1.2.1 交通状态识别研究方法综述 |
| 1.2.2 交通状态预测研究方法综述 |
| 1.3 研究内容和技术路线 |
| 1.3.1 研究内容 |
| 1.3.2 技术路线 |
| 第二章 交通流参数分析 |
| 2.1 交通流基本理论 |
| 2.1.1 流量 |
| 2.1.2 速度 |
| 2.1.3 占有率 |
| 2.2 交通流信息采集技术 |
| 2.2.1 固定型交通流信息采集技术 |
| 2.3 交通流数据的预处理 |
| 2.3.1 交通流缺失及错误数据的识别和处理 |
| 2.3.2 交通流数据的降噪处理 |
| 2.3.3 交通流数据的归一化 |
| 2.4 本章小结 |
| 第三章 K-means聚类分析的城市交通状态识别研究 |
| 3.1 聚类分析技术 |
| 3.1.1 聚类分析简述 |
| 3.1.2 聚类分析的相似性测度 |
| 3.2 基本聚类算法 |
| 3.2.1 基于划分的聚类 |
| 3.2.2 基于层次的聚类 |
| 3.2.3 基于密度的聚类 |
| 3.3 K-means聚类算法 |
| 3.3.1 K-means聚类算法流程 |
| 3.3.2 K-means 聚类算法实例应用 |
| 3.4 本章小结 |
| 第四章 基于GA-SVM的城市交通状态识别研究 |
| 4.1 支持向量机 |
| 4.1.1 支持向量机分类理论 |
| 4.1.2 支持向量机参数对其性能的影响 |
| 4.2 遗传算法 |
| 4.2.1 遗传算法简介 |
| 4.2.2 遗传算法基本原理 |
| 4.3 GA-SVM交通状态识别模型 |
| 4.4 MATLAB实验分析 |
| 4.4.1 数据采集与处理 |
| 4.4.2 仿真分析 |
| 4.5 本章小结 |
| 第五章 基于时空GA-SVR的短时交通流预测研究 |
| 5.1 支持向量回归机 |
| 5.2 遗传算法优化支持向量回归机原理 |
| 5.3 基于时空GA-SVR的短时交通流预测模型 |
| 5.3.1 路段交通流量时空相关性分析 |
| 5.3.2 训练样本准备 |
| 5.3.3 模型建立 |
| 5.3.4 评价指标选取 |
| 5.4 实例验证 |
| 5.4.1 数据来源 |
| 5.4.2 模型建立与求解 |
| 5.4.3 预测结果对比分析 |
| 5.5 本章小结 |
| 第六章 结论与展望 |
| 6.1 结论 |
| 6.2 创新点和展望 |
| 6.2.1 创新点 |
| 6.2.2 展望 |
| 参考文献 |
| 攻读硕士学位期间所取得的相关科研成果 |
| 致谢 |
（9）基于混沌理论的边坡实测数据分析及变形预测研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究意义 |
| 1.2 研究现状及发展趋势 |
| 1.2.1 滑坡变形监测数据研究 |
| 1.2.2 滑坡变形预测方法研究 |
| 1.2.3 物理模型试验开挖坡脚研究 |
| 1.3 研究内容及技术路线 |
| 1.3.1 研究内容 |
| 1.3.2 论文创新概述 |
| 1.3.3 本文技术路线 |
| 第二章 混沌理论基础及混沌预测方法研究 |
| 2.1 混沌定义简述 |
| 2.2 相空间重构及时间延迟和嵌入维数的求取 |
| 2.2.1 相空间重构 |
| 2.2.2 改进自相关函数法 |
| 2.2.3 Cao法 |
| 2.2.4 C-C法 |
| 2.3 混沌判别的常用方法及几类典型混沌系统介绍 |
| 2.3.1 Lyapunov指数计算 |
| 2.3.2 几类典型的混沌系统 |
| 2.4 常用混沌时间序列预测方法 |
| 2.4.1 加权零阶局域预测方法 |
| 2.4.2 改进加权一阶局域预测方法 |
| 2.4.3 改进最大Lyapunov指数预测方法 |
| 2.5 本章小结 |
| 第三章 混沌时间序列在延安某滑坡位移预测中的应用 |
| 3.1 引言 |
| 3.2 滑坡概况及其监测数据预处理 |
| 3.2.0 滑坡概况及监测方案简述 |
| 3.2.1 “3σ”法检验监测数据 |
| 3.2.2 监测数据归一化 |
| 3.3 监测数据平均周期及混沌特性辨识 |
| 3.4 混沌时间序列在边坡位移中的应用 |
| 3.4.1 各边坡位移监测点的混沌特性研究 |
| 3.4.2 实测边坡位移时间序列的实证分析 |
| 3.5 本章小结 |
| 第四章 混沌时间序列在物理模型试验中的应用 |
| 4.1 引言 |
| 4.2 物理模型试验总体设计 |
| 4.2.1 相似关系确定 |
| 4.2.2 物理模型的建立 |
| 4.3 时间序列在物理模型试验中的应用 |
| 4.4 基于物理模型试验的坡脚开挖研究 |
| 4.5 本章小结 |
| 第五章 混沌预测模型及边坡预测预警系统的优化研究 |
| 5.1 引言 |
| 5.2 基于混沌时间序列的最优权重联合预测模型 |
| 5.2.1 最优权重联合预测模型 |
| 5.2.2 最优权重联合预测模型在边坡位移上的应用 |
| 5.3 基于最优权重联合模型的滑坡曲线预测 |
| 5.4 基于ABAQUS有限元模拟的滑坡预警值设定 |
| 5.5 本章小结 |
| 总结与展望 |
| 参考文献 |
| 攻读硕士学位期间取得的成果 |
| 致谢 |
（10）基于航迹数据的航路网络交通运行态势识别与预测技术研究（论文提纲范文）
| 摘要 |
| abstract |
| 注释表 |
| 缩略词 |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究目的 |
| 1.1.3 研究意义 |
| 1.2 国内外研究综述 |
| 1.2.1 空中交通态势感知技术研究 |
| 1.2.2 地面交通态势感知技术研究 |
| 1.3 研究内容与方案 |
| 1.3.1 研究内容 |
| 1.3.2 关键问题 |
| 1.3.3 技术路线 |
| 1.3.4 主要创新 |
| 1.4 论文章节安排 |
| 第二章 航路网络交通流时空特性探究与解析 |
| 2.1 引言 |
| 2.2 航路网络交通流波动特性分析 |
| 2.2.1 航路网络交通流波动幂律现象 |
| 2.2.2 航路网络交通流波动内外影响分析 |
| 2.3 航路网络交通流混沌特性分析 |
| 2.3.1 航路网络交通流时间序列相空间重构 |
| 2.3.2 航路网络交通流时间序列混沌性判定 |
| 2.4 路网航段交通流空间相关性分析 |
| 2.4.1 路网航段交通流多维标度法相关性分析 |
| 2.4.2 路网航段交通流相关性分组 |
| 2.5 本章小结 |
| 第三章 航路网络交通状态评价划分方法研究 |
| 3.1 引言 |
| 3.2 航路网络交通状态评价指标 |
| 3.2.1 指标的选取原则 |
| 3.2.2 航段交通状态评价指标 |
| 3.2.3 路网交通状态评价指标 |
| 3.2.4 航迹数据处理与指标计算 |
| 3.3 航段交通运行状态划分方法 |
| 3.3.1 航段交通运行状态划分理论 |
| 3.3.2 航段交通运行状态划分建模 |
| 3.3.3 算例验证与分析 |
| 3.4 路网交通运行状态评价方法 |
| 3.4.1 路网交通运行状态评价理论 |
| 3.4.2 路网交通运行状态评价建模 |
| 3.4.3 算例验证与分析 |
| 3.5 本章小结 |
| 第四章 航路网络交通运行态势识别方法研究 |
| 4.1 引言 |
| 4.2 航段交通运行状态识别方法 |
| 4.2.1 航段交通运行状态识别理论 |
| 4.2.2 航段交通状态基学习器构建 |
| 4.2.3 航段交通运行状态识别建模 |
| 4.2.4 算例验证与分析 |
| 4.3 航路网络交通态势识别方法 |
| 4.3.1 航路网络交通态势识别理论 |
| 4.3.2 航路网络交通运行状态识别建模 |
| 4.3.3 算例验证与分析 |
| 4.4 本章小结 |
| 第五章 航路网络交通运行状态预测方法研究 |
| 5.1 引言 |
| 5.2 航段交通运行态势短时预测方法 |
| 5.2.1 航段交通流神经网络融合预测理论 |
| 5.2.2 单航段交通运行状态融合预测建模 |
| 5.2.3 多航段交通运行状态融合预测建模 |
| 5.2.4 算例验证与分析 |
| 5.3 路网交通运行状态短时预测方法 |
| 5.3.1 路网整体交通运行状态预测理论 |
| 5.3.2 路网整体交通运行状态预测建模 |
| 5.3.3 算例验证与分析 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 6.1 主要研究结论与成果 |
| 6.2 后续研究工作及展望 |
| 参考文献 |
| 致谢 |
| 在学期间的研究成果及发表的学术论文 |
四、城市交通流量的非线性混沌预测模型研究(英文)（论文参考文献）
- [1]基于城市道路交通数据的交通流短时预测与诱导方法研究[D]. 郭义戎. 兰州理工大学, 2021(01)
- [2]基于交通参数预测的高速公路交通状态预估研究[D]. 刘艳春. 北京交通大学, 2021(02)
- [3]城市道路短时交通流预测方法研究与应用[D]. 孙云飞. 电子科技大学, 2021(01)
- [4]基于随机网络的地铁车站环境参数预测[D]. 赵伟航. 北方工业大学, 2020(02)
- [5]基于LSTM的短时交通流预测研究[D]. 林福海. 长安大学, 2020(06)
- [6]基于数据驱动的交通流动力学灰预测建模方法研究[D]. 段辉明. 武汉理工大学, 2020(01)
- [7]某大型公建能耗混沌特性分析与预测模型研究[D]. 王佳丽. 西安建筑科技大学, 2019(06)
- [8]基于遗传算法优化支持向量机的城市交通状态识别与预测[D]. 郝恩强. 河北工业大学, 2019(06)
- [9]基于混沌理论的边坡实测数据分析及变形预测研究[D]. 叶君文. 长安大学, 2019(01)
- [10]基于航迹数据的航路网络交通运行态势识别与预测技术研究[D]. 李桂毅. 南京航空航天大学, 2018(01)