一、基于神经网络的我国汽车保有量建模与预测（论文文献综述）
李亚钊[1]（2021）在《基于报废量预测的汽车回收站多目标选址方法研究》文中提出随着我国汽车市场的蓬勃发展,我国报废汽车的数量正在逐年增加,报废汽车若无法得到及时有效处理则会产生严重的环境污染问题并造成大量可再生利用资源的浪费。汽车回收站作为报废汽车回收流程的第一环节,其分布合理与否不仅影响着我国报废汽车回收系统的工作效率,而且影响着报废汽车回收企业自身的收益情况。因此,本文提出了一种基于报废量预测的汽车回收站多目标选址方法,具体研究内容如下:首先,文章对发展情况存在差异的不同地区进行汽车报废量的预测。鉴于相关统计数据的缺乏,汽车报废量采用汽车保有量与报废率乘积的形式来表示。通过对地区人口、经济指标及政策等影响因素进行分析,分别构建了汽车保有量与汽车报废率神经网络预测模型对历年报废量进行预测。接着,建立组合时序预测模型与改进的人工鱼群算法对汽车报废量的未来变化趋势进行预测。其次,本文以服务覆盖率与企业的总成本作为目标函数建立了报废汽车回收站多目标选址模型。模型中采用渐进覆盖策略来替代传统覆盖策略,同时综合考虑了包括运输成本、碳排放成本等在内的各项成本,以期更好的反应企业现实运营情况。接着,在建立选址模型的基础上提出了一种改进的新型NSGA-II-TS混合算法对选址模型进行求解,并通过Matlab编程软件对混合算法进行编码实现。最后,以大连市内四区为研究对象进行了实例验证。在获取大连市相关情况与数据的基础上,应用汽车报废量预测模型对未来市内四区的汽车报废量分别进行预测。随后应用本文提出的多目标选址模型和求解算法进行选址求解,最终得到了大连市报废汽车回收站选址方案解集并给出了相应的车辆路径规划方案。通过实例验证的结果,证明了本文选址方法的可行性,同时证明了所提出的NSGAII-TS混合算法的有效性,为未来我国报废汽车回收企业的选址决策提供了借鉴与参考。
危培[2]（2021）在《基于驾驶风格迁移网络的个性化驾驶员模型构建方法研究》文中研究说明驾驶员模型是汽车交通安全、智能交通系统、无人驾驶等技术的基础研究内容和关键环节之一。随着汽车智能化的快速发展，不同等级、不同场景的自动驾驶技术将逐渐得到实际应用，人们对于能够体现驾驶习惯的个性化驾驶员模型的需求变得越来越迫切，但目前这种个性化驾驶员模型的相关研究还很欠缺，而交通事故的发生往往与驾驶员个性化操纵行为有关，一种不良驾驶习惯也可以导致特定道路下的交通事故。针对上述需求，本文提出了一种基于驾驶风格迁移网络的个性化驾驶员模型框架，在此框架下，选取其他驾驶员一部分历史数据，并结合少量目标驾驶员数据作为输入，通过驾驶风格迁移网络，形成符合目标驾驶员的驾驶行为数据迁移模型，实现对该驾驶员本质特征的提取。借此模型获得大量符合目标驾驶员的迀移学习数据，从而训练目标驾驶员模型，完成数据层面上的个性化驾驶员行为建模，实现对驾驶员换道行为长时预测。主要研究内容如下：（1）基于驾驶风格迁移网络的个性化驾驶员模型构建方法的提出。首先介绍基于驾驶风格迁移网络的个性化驾驶员模型构建方法的思想来源，其次构建基于驾驶风格迁移网络的个性化驾驶员模型框架，最后将上述模型构建方法整体思路中的关键技术进行简要叙述。（2）基于驾驶风格迁移网络的数据迁移模型的建立。针对传统个性化驾驶员行为建模方法在模型层面的建模过程中受到特定模型结构的限制，不能充分利用历史数据，分析现有数据迁移方法的优缺点，提出一种基于驾驶风格迁移网络的数据迁移学习模型构建方法，通过充足的其他驾驶员驾驶行为数据，结合少量目标驾驶员的操作信息、本车状态信息，将其他驾驶员驾驶行为数据迀移至目标驾驶员处，完成不同驾驶员数据间的知识迀移，实现对历史驾驶行为数据的重新利用，为后续目标驾驶员的个性化模型训练提供充足的数据支持。（3）基于LSTM-MLP的驾驶行为预测模型的建立。该预测模型包括了驾驶行为预测网络与检验网络。针对传统神经网络在时序数据预测上的不足，本文首先根据编码器-解码器结构建立驾驶行为预测网络，基于多层感知机搭建检验网络；然后构造联合损失函数作为驾驶行为预测模型的损失函数以适应驾驶行为预测的需求；最后利用预处理后的换道行为数据对构建的预测模型进行了训练与验证。（4）基于驾驶风格迁移网络的个性化驾驶员模型实验验证。首先通过对个性化驾驶员模型需求分析，设计并搭建个性化驾驶员模型实验平台，然后利用该平台进行换道场景下的驾驶行为数据的采集和预处理，最后利用实车数据完成个性化驾驶员模型的训练与预测，并对实验结果进行分析，验证所提出的个性化驾驶员模型构建方法的有效性和准确性。
徐冰草[3]（2020）在《基于北京的社会经济因素与交通拥堵的关系探究》文中提出缓解城市交通拥堵成为许多城市的治理挑战,研究交通拥堵问题对于交通拥堵的预防起着重要作用,在交通研究领域中占有重要的研究价值。文章通过讨论社会、经济、城市发展以及相关管理政策与交通拥堵间的影响关系,确立了六种社会经济可量化指标作为本文探讨社会经济影响因素与交通拥堵统计关系的代表性研究变量,其分别为地区生产总值、常住人口总量、机动车保有量、城市道路里程、公交运营里程以及轨道运营里程,同时以北京市公布实施的交通拥堵指数指标作为交通拥堵水平的刻画依据。其次通过皮尔逊相关性分析确定了六种社会经济指标与交通拥堵指数间存在相关关系。最后,文章建立两种分析模型分别为多元线性回归模型与BP神经网络模型,通过两种模型的对比研究挖掘社会经济影响因素与交通拥堵间的统计关系,揭示了社会经济因素对交通拥堵指数的解释能力。文章得到如下结论,文章所建两种分析模型是有效的,其中多元线性回归分析模型的调整后R方值达0.931、显着性概率P值接近于0满足显着性检验,神经网络残差散点图呈现随机分布。其次,根据模型优度的对比分析,多元线性回归模型与BP神经网络模型拟合优度均达0.9以上,说明在两种分析模型下,社会经济影响因素对于交通拥堵指数的解释能力达到90%以上,确定了社会经济发展与交通拥堵之间的统计关系。此外根据本文所建模型对各社会经济因素重要性分析的结果,结合拥堵治理实际本文从公共交通系统、城市发展、人口总量等角度对城市交通拥堵治理作出相关思考与建议。
向怡帆[4]（2020）在《基于汽车保有量和路网容量的城市停车供给预测模型研究》文中研究指明随着城市化进程不断加快,城市机动车数量快速增长,导致了严峻的城市停车问题。停车问题不仅会阻碍城市交通健康发展,也会影响居民出行的便捷程度。因此配置合理的停车供给数量,是解决城市停车问题的关键环节之一。本文基于城市汽车保有量与路网容量,建立城市停车供给预测模型,研究在合理满足城市汽车保有量的基本停车需求的同时,也能满足居民日常交通出行路网所产生的弹性停车需求,该研究具有重要的理论与现实意义。首先,对城市停车供给与需求相关基本理论进行分析,将城市停车供给分两大类,即基本停车供给与弹性停车供给;从五大方面对城市停车供给影响因素进行了分析,对现有的停车需求预测模型的原理与优缺点进行了总结。其次,建立了基于汽车保有量的城市基本停车供给预测模型;对城市汽车保有量影响因素进行了分析,利用灰色关联分析法计算出各影响因素与城市汽车保有量之间的关联度,根据影响因素的选取原则,选出符合条件的影响因素;对现有预测模型进行总结,采用支持向量机模型预测汽车保有量,考虑到传统的网格遍历法在确定SVM算法c,g参数时的局限性,引入改进灰狼算法对c,g参数进行寻优,利用IGWO-SVM算法对未来年机动车保有量进行预测,即得到了基于机动车保有量的基本停车供给预测结果。然后,建立了基于路网容量的城市弹性停车供给预测模型;利用时空消耗法对路网容量计算模型进行构建,分别从道路设施有效利用面积、路网有效运营时间、交通个体时空消耗三方面对模型修正系数进行确定,并建立了基于二次指数平滑法与灰色预测法的城市道路面积组合预测模型,将预测面积带入城市路网容量计算模型中,得到了路网容量预测模型;将路网预测容量作为约束条件,结合居民不同出行目的、研究区域交通组成、居民出行方式差异性,建立了城市停车供需关系模型,从而确定路网容量约束下的未来年城市弹性停车供给数量。最后,以德阳市旌阳区为例对模型进行实际运用与验证。选用SVM、PSO-SVM、GA-SVM、GWO-SVM、IGWO-SVM、非线性回归、BP神经网络算法分别对测试样本数据进行预测,得到IGWO-SVM算法预测精度最佳,并利用该算法预测出2020年德阳市旌阳区汽车保有量,即基本停车供给数量;利用时空消耗法与组合预测模型预测出旌阳区路网容量,并以该容量约束下的停车供需关系模型预测出2020年德阳市旌阳区弹性停车供给数量,最终得到停车供给预测总量,验证了本文构建的停车供给预测模型的科学性和合理性。本文基于城市汽车保有量与路网容量,建立了城市停车供给预测模型,从一定角度解决了城市基本停车供给问题与弹性停车供给问题,满足由汽车保有量和社会出行活动而产生的停车需求,为停车设施建设规划与停车政策制定提供了一定的依据。
闫普虹[5]（2020）在《基于EV不确定性的配电网规划研究》文中提出由于传统汽车的普遍使用造成的全球环境问题和能源危机,新能源EV（electric vehicle,EV）逐步取代传统汽车作为新型交通工具,EV入网规模和新能源渗透率的不断提升,使得能源战略转型,不仅需要考虑EV入网不确定性,还需制定与之配套的配电网规划策略。因此,有必要在配电网环境下研究EV入网不确定性规划问题。本文从EV对配电网的影响和构建改进Bass的EV保有量预测模型展开研究,主要的研究内容如下:首先,介绍了EV接入配电网规划的研究背景与目的意义,综述了EV接入配电网的影响、EV充电负荷预测方法和EV接入配电网不确定性规划方法。关于EV市场形态不确定性,在传统的Bass汽车保有量预测模型的基础上,针对传统的Bass创新扩散理论中的常量参数（最大潜力m）不能很好的追踪EV使用潜在人数变化缺陷这一问题,构建最大潜力变化的Bass的EV保有量预测模型,并通过matlab2018a数值拟合工具箱,进行仿真实现,对比研究结果得出改进Bass的EV保有量预测模型大大提高了拟合精度,从而提高了EV保有量预测的准确性。其次,针对EV充电负荷序列较强的随机性和间歇性而导致预测精度不高的现象,基于双向长短期记忆网络善于处理时间序列数据的特点,提出一种基于Bi-LSTM网络的EV充电负荷预测方法,该模型具有依托时间序列数据存在正反双向的特点对数据进行训练的能力,能较准确的地捕捉EV充电负荷内在的特征信息,进而构建双向长短时神经网络的EV充电负荷预测模型,并构建其余两种方法的EV充电负荷预测模型,比较了三种方法的预测效果,结果证明基于Bi-LSTM的EV充电负荷预测模型具有较高的预测精度,为EV的充电站的选址定容提供了可靠依据。最后,依据上海市某片区含EV的配电网数据,结合模糊数学理论相关知识,将多目标优化问题转换为考虑决策者满意度的单目标优化问题,进而通过萤火虫算法的求解,提出计及EV充电站和配电网网架规划方案,并制定某区含EV的配电网规划方案,得到EV接入配电网网架规划的结果,通过应用算例验证了数学模型的合理性和科学性,为未来大规模EV接入配电网规划,提供了一种可供参考的理论方法。
秦震[6]（2019）在《一汽丰田安庆4S店需求预测模型研究》文中提出随着我国经济的快速发展,人民生活水平的不断提高,家用轿车已经逐渐进入普通老百姓家庭,回顾近几十年的家用轿车普及过程,不难发现,作为家用轿车销售服务终端的4S店仍然发挥着非常重要的桥梁作用,既承担着为广大终端客户销售和服务的任务,也承担着为汽车生产厂家反馈各类信息的任务,同时他们还要承担各地区市场的各种不可控风险,这些风险包括来自潜在市场的不可预测性、来自竞争品的威胁、来自自身管理问题的产生、宏观经济等的综合影响。导致了诸多不确定性因素影响了汽车4S店的发展,特别是对于纷繁复杂的市场环境,4S店很难去把握未来的销售需求和方向。很多4S店的局部地域市场特性和缺乏对生产厂家的深入了解和沟通,相应的就限制了其自由发展的空间,更大范围内的宏观经济思维方面存在一定的不足,对国内整体汽车市场缺少信息获取途径,因此,在销售预测能力上存在很大提升空间。所处环境不同就造成了每个4S店存在的问题也多种多样,各不相同,要想一次性解决所有4S店的问题是不可能的事情,作者在一些4S店的实地调研过程中经常会听到有关销售预测和库存管理不合理造成困扰的事情,而4S店疲于应对生存的压力而忙于业务本身或是解决各种经营问题,很少有4S店能静下心来分析产生问题的真正原因和寻求解决问题的办法。因此,本文选择4S店在新车销售过程中的需求预测问题进行深入研究,将一汽丰田安庆4S店的需求预测为例,将安庆4S店2018年和2017年的需求预测数据分别导入到移动平均值预测模型、简单指数平滑模型、Holt预测模型、Winter预测模型,然后比较这4种模型的预测误差评定指标,选出一个更适合该4S店需求预测的基础模型,再通过德尔菲法——调查行业内资深从业专家对多种销售影响因素的主观评级,并将这些因素进行排序、设定修正系数对需求预测基础模型进行修正,从而得到重叠前置预测模型的预测结果,最后将预测结果与2019年安庆4S店的实际需求预测进行比对后发现,采用重叠前置预测模型更适合4S店进行需求预测。
邓淇元[7]（2019）在《基于特征工况的EVT混合动力系统图论建模与方案寻优研究》文中研究指明混合动力汽车动力传动系统的研发作为混合动力汽车研究领域的一项关键技术,一直受到广泛关注。采用行星排作为动力耦合机构的电控无级变速系统（Electric Variable Transmission,EVT）由于结构紧凑,工作效率高被广泛研究,产出了大量研究成果。目前对于EVT混合动力系统的设计研究大多结合图形学和数学理论,采用穷举或者枚举方案的方式,效率较低且考虑因素不全面。本文根据现有的EVT混合动力系统图论研究内容,引入机器学习算法,融入工况信息,开展了不同特征工况下的单行星排EVT混合动力系统的建模与方案评价与寻优,具体研究内容阐述如下:（1）以已有EVT混合动力系统图论分层图画模型和邻接矩阵模型为基础,从中提取关键元素,组成EVT混合动力系统图论矩阵模型;在EVT混合动力系统图论分层图画模型中直接进行动力学分析,建立了EVT混合动力系统图论分层图画动力学模型;（2）采用基于遗传算法（Generic Algorithm,GA）和模拟退火算法（Simulated Annealing,SA）优化的模糊C均值聚类对标准工况进行了聚类分析,提取了三类特征工况,并计算了三类特征工况的特征参数;（3）对包括整车、发动机、电机及电池等系统部件进行建模,并利用动态规划算法（Dynamic Programming,DP）对样本空间中的方案进行仿真获取其多特征工况下的油耗值,建立EVT系统多特征工况下的油耗样本空间;（4）从EVT混合动力系统邻接矩阵模型中提取图论矩阵模型并将其标准化,再将特征工况参数进行标准化,并将两种数据进行拼接作为神经网络输入,分别输入BP、RBF和GRNN三种神经网络进行参数调优,搭建了不同特征工况下的EVT混合动力系统油耗模型,并最终选用准确率最高的GRNN神经网络作为油耗模型;（5）对样本空间中的全部传动方案进行同构分析,并利用同构方案对油耗模型训练样本进行了扩增,对油耗模型进行重新训练;（6）采用遗传算法（Generic Algorithm,GA）对EVT混合动力系统进行方案寻优,同时,在寻优过程中,加入不可行方案筛选条件,对于可直接判定不可行的方案在寻优过程中直接剔除。
崔凯俊[8]（2019）在《居民家庭小汽车保有量影响因素分析与预测建模》文中进行了进一步梳理随着经济迅速发展以及居民生活水平不断提高,越来越多的家庭开始拥有小汽车,小汽车给人们生活提供便利的同时也产生了诸如交通拥堵、环境污染等负面问题。因此探究小汽车保有量的影响因素并且正确预测其保有量以便为城市管理者提供决策就显得尤为重要。首先,在国内外相关研究的基础上,结合我国实际情况,寻找适用于我国小汽车保有量的影响因素。根据北京市第四次和第五次居民出行调查数据,使用Access和MySQL数据库对源数据表进行处理,将数据转化为以家庭为元组的数据并进行输出;利用高德地图API获取北京市公交站点地理位置数据,通过ArcGIS将其与居民出行调查的交通小区图层进行匹配,分析得到各交通小区的300米公交站点覆盖率。将所得覆盖率数据与数据库输出数据一同作为本研究的基础数据集,使用有序Logit模型分析各因素对于家庭小汽车保有量的影响程度,结果表明小汽车保有量对于驾照数量最为敏感。其次,基于家庭层面对居民小汽车保有量进行微观预测建模。借鉴机器学习的思想同时结合基础数据集的特点,创造性的提出利用随机森林与支持向量机组合模型以及广义BP神经网络模型解决本问题。对于随机森林与支持向量机组合模型,通过随机森林对基础数据集进行特征筛选并将其作为支持向量机的输入,使用支持向量机预测家庭小汽车保有量。对于广义BP神经网络模型,针对基础数据集数据稀疏这一特点,采用因子分解机和全连接层（含Dropout方法）作为隐层,选用Softmax函数作为输出层,将交叉熵作为损失函数进行误差反馈,并且采用Adam方法对反馈过程进行优化。通过采用不同的训练集和测试集数据对上述模型进行评价,发现广义BP神经网络模型具有更好的泛化性及精确度。最后,基于全市域层面对居民小汽车保有量进行预测建模。提出小汽车保有量数据扩样方法,将微观层面预测得到的小汽车保有量扩展至全市域层面,在该过程中还构建了适用于北京市小汽车千人拥有率的Compertz模型。将数据扩样方法所得预测值与时间序列模型（ARIMA）所得预测值进行比较,认为2035年全市小汽车保有量为664.2万辆较为合理。图33幅,表12个,参考文献156篇。
房祥彦[9]（2019）在《基于PW-LSTM和SAW模型的有效泊位预测研究》文中研究表明随着全国汽车保有量的急剧增长,为了缓解大城市日益突出的停车困难,现如今中国各大城市级停车诱导系统的研究开发势在必行。有效停车位预测是诱导系统中一个非常重要的智能技术手段,对于驾驶员合理地选择停车场和行车路线具有重要意义。然而预测离不开数据的支撑,如果没有巨大的经济和时间投入,停车诱导系统实际上很难搜集到停车位影响因素数据和整个城市所有停车场的实时停车数据在短期预测方面,模型往往由于对外在影响因素的理解缺失而导致预测精度不佳而中长期预测随着预测步长或周期的增加,模型会出现误差累积问题。本文针对短期预测和中长期预测所面临的这两个问题展开研究（1）停车位序列数据包含趋势性、周期性、混沌性等基本特性,在基本趋势性变化的基础上,还受天气环境等随机因素影响而波动,因此预测模型的非线性拟合能力非常关键。在停车位短期预测过程中,为揭示停车位时序的非线性动力学本质,本文提出一种基于相空间重构,结合天气环境影响因素的长短期记忆网络模型PW-LSTM（Long Short-Term Memory based on Phase Space Reconstruction and Weather Factors）。该方法通过时间延迟和嵌入维数将停车位时序映射到二维相空间中,然后结合天气环境的特征属性训练长短期记忆神经网络对未来的停车位进行短期预测（2）短期预测离不开实时数据的支撑,然而对于实时数据缺失情况下的停车场而言必须结合中长期预测技术,本文提出基于非平稳随机过程和小波神经网络的中长期混合预测模型SAW（non-stationary Stochastic And Wavelet Neural Networks）。文中以具有周期特性的非平稳停车位历史数据为研究对象,首先根据中心极限定理和大数定理对停车位进行统计分析其非平稳过程,然后结合WNN（Wavelet Neural Networks）,提出混合预测模型SAW来对未来某个时间段的停车位作有效预测综上分析,本文实现了停车诱导系统中有效停车位短期预测和中长期预测的两个关键技术,并都通过实验验证了提出方案的可行性和有效性。实验数据证明,基于相空间重构的停车位序列数据更符合其非线性动力学特性,有利于模型的学习训练,而引入相关的天气因素则明显提高了模型的短期预测精度。在中长期预测方面,相比于单独使用WNN和Lyapunov指数法作长期预测,SAW的计算复杂度更低,预测效果相对更加精确,并且有效解决了在失去实时数据支撑情况下多步长期预测导致的误差累积问题。精准的有效泊位预测能够低成本、快速地实现城市级停车实时诱导,缓解停车难问题,具有广阔的市场前景、良好的经济效益和较强的社会效益。
白一凡[10]（2019）在《基于SARIMA和BP神经网络的新能源汽车销售预测》文中指出近年来,我国汽车产业高速发展,产业规模连续多年稳居世界第一。在汽车产业成为国民经济支柱产业和国民经济水平重要衡量指标的现今,为避免该类产业的环境副作用影响,国际上环保新能源汽车产业受到的重视度日益增加。本文瞄准我国新能源汽车销售变化所带来产业提升的问题,借助数学统计模型和机器学习算法对我国新能源汽车月度、年度销量进行预测研究,对新能源汽车销量的准确预测可为政府部门决策、汽车行业制定市场营销策略提供理论统计和预测数据支撑。本文以我国新能源汽车月度销量数据为样本,首先对我国新能源汽车月度销量数据进行因素分解,生成非随机波动序列和随机波动序列,构建（季节性求和自回归移动平均）和神经网络的组合模型对新能源汽车月度销量进行拟合预测,同时对比构建单一的模型拟合预测。接着从模型拟合值与预测值、误差值、数据验证等角度对比分析模型预测效果。在得出组合模型效果更优的基础上,利用组合模型预测我国新能源汽车2019年的月度销量,并对预测结果予以原因分析及合理性说明。另再以我国新能源汽车年度销量数据为样本,通过灰色关联分析法分析销售政策、动力电池产量、传统汽车制造业等影响因素,运用神经网络模型对新能源汽车年度销量进行拟合预测,同时与传统（求和自回归移动平均）模型进行模型拟合值、预测值、误差值等方面比较分析。在得出神经网络模型效果更优的基础上,利用神经网络模型预测我国新能源汽车2019-2023年的年度销量,并对预测结果予以相关说明。
二、基于神经网络的我国汽车保有量建模与预测（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、基于神经网络的我国汽车保有量建模与预测（论文提纲范文）
（1）基于报废量预测的汽车回收站多目标选址方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景、目的与意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究目的与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 报废汽车回收现状 |
| 1.2.2 报废汽车逆向物流问题研究现状 |
| 1.2.3 报废汽车回收站选址问题研究现状 |
| 1.2.4 我国报废汽车回收站选址问题研究的不足 |
| 1.3 论文的主要内容及论文结构 |
| 1.3.1 研究的主要内容 |
| 1.3.2 论文结构 |
| 1.4 本章小结 |
| 2 区域汽车报废量预测 |
| 2.1 区域汽车报废量预测问题描述 |
| 2.2 区域汽车报废量预测问题分析 |
| 2.2.1 汽车保有量影响因素分析 |
| 2.2.2 汽车报废率影响因素分析 |
| 2.3 区域汽车报废量神经网络预测模型 |
| 2.3.1 BP神经网络基本原理 |
| 2.3.2 报废量神经网络预测模型建立与实现 |
| 2.4 区域汽车报废量组合时序预测模型 |
| 2.4.1 经典时序预测模型 |
| 2.4.2 人工鱼群算法 |
| 2.4.3 报废量组合时序预测模型建立与实现 |
| 2.5 本章小结 |
| 3 报废汽车回收站多目标选址模型 |
| 3.1 报废汽车回收站多目标选址问题描述 |
| 3.2 报废汽车回收站多目标选址问题分析 |
| 3.2.1 成本分析 |
| 3.2.2 服务覆盖率分析 |
| 3.3 报废汽车回收站多目标选址模型构建 |
| 3.3.1 模型构建假设 |
| 3.3.2 模型变量及参数 |
| 3.3.3 模型建立 |
| 3.4 本章小结 |
| 4 报废汽车回收站多目标选址问题的算法求解 |
| 4.1 多目标优化相关理论基础 |
| 4.1.1 多目标优化问题 |
| 4.1.2 NSGA-II算法基本原理 |
| 4.1.3 禁忌搜索算法基本原理 |
| 4.2 NSGA-II-TS混合算法 |
| 4.2.1 NSGA-II-TS混合算法参数设计 |
| 4.2.2 NSGA-II-TS混合算法流程 |
| 4.3 本章小结 |
| 5 实例分析 |
| 5.1 研究案例简介 |
| 5.2 案例数据准备 |
| 5.2.1 城市基本信息 |
| 5.2.2 数据准备 |
| 5.3 大连市各地区汽车报废量预测 |
| 5.4 大连市报废汽车回收站多目标选址结果 |
| 5.5 结果分析 |
| 5.6 本章小结 |
| 结论 |
| 参考文献 |
| 附录 A 汽车报废量各预测模型结果 |
| 附录 B 报废汽车回收站备选点及需求点信息 |
| 致谢 |
（2）基于驾驶风格迁移网络的个性化驾驶员模型构建方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 驾驶员模型构建方法研究现状 |
| 1.2.1 基于传递函数的驾驶员模型构建方法 |
| 1.2.2 基于最优控制的驾驶员模型构建方法 |
| 1.2.3 基于模糊控制的驾驶员模型构建方法 |
| 1.2.4 基于神经网络的驾驶员模型构建方法 |
| 1.2.5 基于多算法融合的驾驶员模型构建方法 |
| 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 |
| 2 基于驾驶风格迁移网络的个性化驾驶员模型整体框架 |
| 2.1 基于驾驶风格迁移网络的个性化模型构建方法思想来源 |
| 2.2 基于驾驶风格迁移网络的个性化驾驶员模型框架 |
| 2.3 基于驾驶风格迁移网络的个性化模型构建理论基础 |
| 2.3.1 不同驾驶员行为数据相似性度量方法 |
| 2.3.2 驾驶风格迁移网络构建理论基础 |
| 2.4 本章小结 |
| 3 建立基于驾驶风格迁移网络的数据迁移学习模型 |
| 3.1 基于驾驶风格迁移网络的数据迁移模型构建思路 |
| 3.1.1 基于主成分分析的数据迁移学习方法 |
| 3.1.2 基于领域自适应的数据迁移学习方法 |
| 3.1.3 确立基于驾驶风格迁移网络的数据迁移学习模型 |
| 3.2 建立基于驾驶风格迁移网络的数据迁移学习模型 |
| 3.2.1 驾驶风格迁移网络 |
| 3.2.2 基于驾驶风格迁移网络的数据迁移学习模型 |
| 3.2.3 驾驶风格迁移网络算法流程 |
| 3.3 数据迁移学习模型实验结果与分析 |
| 3.3.1 数据集说明 |
| 3.3.2 不同驾驶员的驾驶行为分析 |
| 3.3.3 模型训练及结果分析 |
| 3.4 本章小结 |
| 4 建立基于LSTM-MLP的驾驶行为预测模型 |
| 4.1 基于LSTM-MLP的驾驶行为预测模型构建思路 |
| 4.1.1 基于规则的驾驶行为预测方法 |
| 4.1.2 基于神经网络的驾驶行为预测方法 |
| 4.1.3 确立基于LSTM-MLP的驾驶行为预测模型构建思路 |
| 4.2 建立基于LSTM-MLP的驾驶行为预测模型 |
| 4.2.1 基于LSTM-MLP的驾驶行为预测模型整体框架 |
| 4.2.2 基于编码器-解码器结构的驾驶行为预测网络 |
| 4.2.3 基于MLP的检验网络 |
| 4.2.4 构造预测模型的联合损失函数 |
| 4.2.5 预测模型的训练步骤 |
| 4.3 驾驶行为预测实验结果与分析 |
| 4.3.1 预测模型的训练数据选择 |
| 4.3.2 预测模型的训练 |
| 4.3.3 驾驶行为预测实验结果与分析 |
| 4.4 本章小结 |
| 5 个性化驾驶员模型实验平台搭建及实验 |
| 5.1 个性化驾驶员模型需求分析 |
| 5.2 个性化驾驶员模型实验平台 |
| 5.2.1 个性化驾驶员模型实验平台的硬件选择 |
| 5.2.2 平台系统开发环境及模块介绍 |
| 5.3 实验结果与分析 |
| 5.3.1 实验数据预处理 |
| 5.3.2 实验评价指标 |
| 5.3.3 实验结果及分析 |
| 5.4 本章小结 |
| 6 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 附录 |
（3）基于北京的社会经济因素与交通拥堵的关系探究（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 1 引言 |
| 1.1 研究背景 |
| 1.2 研究意义 |
| 1.3 国内外研究现状 |
| 1.3.1 交通拥堵预测相关研究 |
| 1.3.2 交通拥堵与社会经济因素的相关研究 |
| 1.4 文章研究重点 |
| 1.5 文章技术路线 |
| 1.6 本章小结 |
| 2 重要指标描述及研究方法 |
| 2.1 交通拥堵指数 |
| 2.2 多元线性回归分析 |
| 2.3 BP神经网络 |
| 2.4 本章小结 |
| 3 北京市社会经济影响因素分析 |
| 3.1 社会经济因素的确定 |
| 3.2 北京市交通需求管理政策 |
| 3.3 北京市社会经济发展分析 |
| 3.4 本章小结 |
| 4 社会经济因素与交通拥堵的关系分析 |
| 4.1 社会经济因素与拥堵指数相关性分析 |
| 4.1.1 实现工具 |
| 4.1.2 皮尔逊(Perason)相关性分析 |
| 4.2 多元线性回归分析 |
| 4.2.1 多元线性回归假设方程 |
| 4.2.2 多元线性回归实证过程 |
| 4.3 BP神经网络分析 |
| 4.3.1 BP神经网络构建准备 |
| 4.3.2 BP神经网络实证过程 |
| 4.4 模型对比分析及拥堵治理思考 |
| 4.4.1 模型优度对比分析 |
| 4.4.2 拥堵治理思考 |
| 4.5 本章小结 |
| 5 结论 |
| 5.1 主要内容总结 |
| 5.2 文章研究方法 |
| 5.3 创新与不足 |
| 5.4 未来展望 |
| 参考文献 |
| 作者简历及攻读硕士/博士学位期间取得的研究成果 |
| 学位论文数据集 |
（4）基于汽车保有量和路网容量的城市停车供给预测模型研究（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 国内外研究现状 |
| 1.2.1 国内研究现状 |
| 1.2.2 国外研究现状 |
| 1.2.3 国内外研究评述 |
| 1.3 主要研究内容、方法与技术路线 |
| 1.3.1 论文主要研究内容 |
| 1.3.2 论文主要研究方法 |
| 1.3.3 技术路线图 |
| 第二章 城市停车供需相关理论分析 |
| 2.1 停车供需相关理论介绍 |
| 2.1.1 停车需求分析 |
| 2.1.2 停车供给分析 |
| 2.2 城市停车供给影响因素分析 |
| 2.2.1 机动车保有量 |
| 2.2.2 路网容量 |
| 2.2.3 交通管理政策 |
| 2.3 停车需求预测方法比较分析 |
| 2.3.1 停车需求总量预测模型 |
| 2.3.2 基于用地规模的停车需求模型 |
| 2.3.3 基于车辆出行吸引的停车预测模型 |
| 2.3.4 交通量-停车需求方法 |
| 2.3.5 基于小汽车保有量发展趋势的停车需求预测模型 |
| 2.3.6 现有停车需求预测模型优缺点分析 |
| 2.4 本章小结 |
| 第三章 基于汽车保有量的基本停车泊位供给预测模型 |
| 3.1 城市汽车保有量影响因素分析与预测方法 |
| 3.1.1 城市汽车保有量影响因素分析 |
| 3.1.2 主要预测模型性能分析 |
| 3.2 支持向量机(SVM)理论 |
| 3.2.1 支持向量分类机(SVC) |
| 3.2.2 支持向量回归机(SVR) |
| 3.2.3 核函数 |
| 3.3 改进灰狼算法(IGWO)优化SVM预测模型 |
| 3.3.1 灰狼算法(GWO)原理 |
| 3.3.2 差分进化算法(DE)原理 |
| 3.3.3 IGWO-SVM预测模型的构建 |
| 3.4 基于IGWO-SVM算法的基本停车泊位供给预测模型建立 |
| 3.4.1 城市汽车保有量影响因子关联度分析 |
| 3.4.2 模型建立过程 |
| 3.5 本章小结 |
| 第四章 基于路网容量的城市弹性停车泊位供给预测模型 |
| 4.1 基于时空消耗法的城市路网容量计算模型 |
| 4.1.1 道路设施有效利用面积 |
| 4.1.2 路网有效运营时间 |
| 4.1.3 交通个体时空消耗 |
| 4.1.4 基于时空消耗法的城市路网容量计算模型 |
| 4.2 城市路网容量预测模型 |
| 4.2.1 基于指数平滑法的城市道路面积预测 |
| 4.2.2 基于灰色预测模型的城市道路面积预测 |
| 4.2.3 基于组合预测模型的城市道路面积预测 |
| 4.2.4 城市路网容量预测模型 |
| 4.3 基于路网容量的城市弹性停车泊位供给预测模型 |
| 4.3.1 城市停车泊位供给与路网容量的关系 |
| 4.3.2 基于路网容量的城市弹性停车泊位供给预测模型构建 |
| 4.3.3 考虑居民出行方式对模型进行优化 |
| 4.4 本章小结 |
| 第五章 实例应用分析 |
| 5.1 德阳市旌阳区介绍 |
| 5.2 基于汽车保有量的德阳市旌阳区基本停车泊位供给预测 |
| 5.2.1 旌阳区汽车保有量影响因子选取 |
| 5.2.2 旌阳区汽车保有量预测及七种模型预测结果比对 |
| 5.3 基于路网容量的德阳市旌阳区弹性停车泊位供给预测 |
| 5.3.1 基于时空消耗法的旌阳区路网容量计算 |
| 5.3.2 基于组合预测模型的旌阳区道路总面积预测 |
| 5.3.3 旌阳区路网容量预测 |
| 5.3.4 基于路网容量的旌阳区弹性停车泊位供给预测 |
| 5.3.5 三种模型预测结果比较 |
| 5.4 区域停车管理策略建议 |
| 5.5 本章小结 |
| 第六章 结论与展望 |
| 6.1 论文主要研究成果及创新点 |
| 6.1.1 论文主要研究成果 |
| 6.1.2 论文创新点 |
| 6.2 展望与不足 |
| 致谢 |
| 参考文献 |
| 在学期间发表的论文及学术成果 |
（5）基于EV不确定性的配电网规划研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 选题背景与研究意义 |
| 1.1.1 选题背景 |
| 1.1.2 研究意义 |
| 1.2 国内外EV接入配电网研究现状 |
| 1.2.1 国内研究现状 |
| 1.2.2 国外研究现状 |
| 1.3 本文主要工作 |
| 1.3.1 本文研究内容 |
| 1.3.2 论文结构体系 |
| 1.3.3 论文创新点 |
| 第二章 理论及研究综述 |
| 2.1 EV接入配电网及其影响 |
| 2.2 EV充电负荷预测方法 |
| 2.2.1 EV充电负荷日周期多点外推法 |
| 2.2.2 EV充电负荷线性外推法 |
| 2.2.3 EV充电负荷求导法 |
| 2.2.4 EV充电负荷专家系统方法 |
| 2.2.5 基于深度学习的负荷预测方法 |
| 2.3 EV不确定性的配电网规划方法 |
| 2.3.1 不确定信息的量化法 |
| 2.3.2 随机模拟 |
| 2.3.3 灰色模型 |
| 2.3.4 模糊理论 |
| 第三章 构建EV保有量预测模型 |
| 3.1 引言 |
| 3.2 基于Bass的 EV保有量预测研究 |
| 3.2.1 Bass模型的原理及提出 |
| 3.2.2 构建基于Bass的 EV保有量预测模型 |
| 3.3 基于改进Bass的 EV保有量预测模型 |
| 3.4 模型评价 |
| 3.4.1 拟合效果 |
| 3.4.2 两种不同预测模型的结果对比 |
| 3.5 本章小结 |
| 第四章 构建循环神经网络的EV充电负荷预测模型 |
| 4.1 引言 |
| 4.2 循环神经网络 |
| 4.2.1 循环神经网络概述 |
| 4.2.2 循环神经网络的模型结构 |
| 4.2.3 循环网络的基本结构 |
| 4.3 LSTM网络应用于EV充电负荷预测原理 |
| 4.3.1 LSTM网络 |
| 4.3.2 LSTM学习算法 |
| 4.4 EV充电负荷数据及影响因素 |
| 4.4.1 数据来源 |
| 4.4.2 影响EV充电负荷主要因素 |
| 4.4.3 数据预处理 |
| 4.5 Bi-LSTM在 EV充电负荷预测上的应用 |
| 4.5.1 EV充电负荷特性分析 |
| 4.5.2 基于Bi-LSTM的 EV充电负荷预测原理 |
| 4.5.3 构建Bi-LSTM的 EV充电负荷预测模型 |
| 4.6 算例分析 |
| 4.6.1 EV充电负荷预测评价指标 |
| 4.6.2 实验仿真 |
| 4.7 本章小结 |
| 第五章 构建模糊不确性的EV配电网规划模型 |
| 5.1 引言 |
| 5.2 常规EV充电站规划模型 |
| 5.3 基于模糊不确定性EV充电站的规划模型 |
| 5.3.1 目标函数 |
| 5.3.2 约束条件 |
| 5.3.3 FA算法基本原理 |
| 5.3.4 算法应用流程 |
| 5.4 考虑EV充电站的配电网规划 |
| 5.5 案例分析 |
| 5.5.1 上海市某片区配电网EV充电站选址 |
| 5.5.2 EV充电站的配电网网架规划结果 |
| 5.6 本章小结 |
| 第六章 总结与展望 |
| 6.1 全文工作总结 |
| 6.2 研究工作展望 |
| 参考文献 |
| 附录 |
| 附录1 2018 年4月全国EV公用充电桩数量统计报表 |
| 附录2 上海市某区某月EV充电负荷数据(单位/KW) |
| 攻读硕士学位期间发表的学术论文及取得的相关科研成果 |
| 致谢 |
（6）一汽丰田安庆4S店需求预测模型研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究的背景与意义 |
| 1.1.1 研究的背景 |
| 1.1.2 研究的意义 |
| 1.2 研究的思路和方法 |
| 1.2.1 研究的思路 |
| 1.2.2 研究的方法 |
| 1.3 论文的结构和框架 |
| 1.3.1 论文的结构 |
| 1.3.2 论文的框架 |
| 第二章 预测理论相关文献综述 |
| 2.1 国内外预测研究情况 |
| 2.1.1 国外研究情况 |
| 2.1.2 国内研究情况 |
| 2.2 主要预测理论在汽车行业的具体运用 |
| 2.3 本章小结 |
| 第三章 中国汽车市场发展状况及区域汽车市场近几年特征 |
| 3.1 中国汽车市场状况 |
| 3.1.1 中国汽车市场的发展 |
| 3.1.2 中国汽车品牌4S店的发展变化情况 |
| 3.2 中国区域汽车市场状况 |
| 3.2.1 区域汽车市场变化的影响因素 |
| 3.2.2 华中区域汽车市场容量及安庆汽车市场近几年特征 |
| 3.3 本章小结 |
| 第四章 一汽丰田供应链管理模式及需求预测模型 |
| 4.1 一汽丰田供应链管理模式 |
| 4.1.1 一汽丰田终端客户订单式需求管理 |
| 4.1.2 经销店(4S店)终端客户订单生成过程 |
| 4.1.3 代理商(一汽丰田)在供应链上的重要枢纽作用 |
| 4.1.4 代理商(一汽丰田)区域经理管理制度 |
| 4.2 一汽丰田安庆4S店需求预测案例分析 |
| 4.2.1 4S店需求预测的数据获取 |
| 4.2.2 安庆4S店2018 年需求预测分析 |
| 4.3 基于安庆4S店2018 年需求预测的模型分析 |
| 4.3.1 基于需求预测数据的移动平均值预测模型 |
| 4.3.2 基于需求预测数据的简单指数平滑预测模型 |
| 4.3.3 基于需求预测数据的Holt预测模型 |
| 4.3.4 基于需求预测数据的Winter预测模型 |
| 4.3.5 基于需求预测数据的重叠前置预测模型 |
| 4.4 本章小结 |
| 第五章 结论和展望 |
| 5.1 结论 |
| 5.1.1 存在的不足 |
| 5.1.2 今后的计划 |
| 5.2 展望 |
| 5.2.1 今后的建议 |
| 致谢 |
| 参考文献 |
| 附录 |
| 附录1 |
| 附录2 |
（7）基于特征工况的EVT混合动力系统图论建模与方案寻优研究（论文提纲范文）
| 中文摘要 |
| 英文摘要 |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 EVT混合动力系统原理及研究现状 |
| 1.2.1 EVT混合动力系统原理 |
| 1.2.2 国内外EVT混合动力系统方案 |
| 1.2.3 EVT混合动力系统设计与优化方法 |
| 1.3 本文研究的目的和研究内容 |
| 2 EVT混合动力系统图论建模 |
| 2.1 图论的的发展及基本原理 |
| 2.2 EVT混合动力系统图论建模理论研究 |
| 2.2.1 EVT混合动力系统结构分析及图论模型定义 |
| 2.2.2 基础行星轮系分层图画模型 |
| 2.2.3 EVT混合动力系统分层图画模型 |
| 2.2.4 EVT混合动力系统图论矩阵模型 |
| 2.3 EVT混合动力系统动力学建模 |
| 2.3.1 EVT混合动力系统行星排动力学建模 |
| 2.3.2 EVT混合动力系统动力学建模 |
| 2.4 EVT混合动力系统模型集的建立 |
| 2.5 本章小结 |
| 3 基于特征工况的油耗样本空间构建 |
| 3.1 基于GASA聚类分析和标准工况数据的多特征工况的建立 |
| 3.1.1 主成分分析基本原理及应用 |
| 3.1.2 工况数据的处理及特征参数的选取计算 |
| 3.1.3 GASA-FCM聚类分析基本原理及应用 |
| 3.1.4 多种不同特征工况的建立 |
| 3.2 多种特征工况下的EVT混合动力系统油耗样本空间构建 |
| 3.2.1 动态规划原理 |
| 3.2.2 EVT混合动力系统动态规划参数定义 |
| 3.2.3 EVT混合动力系统动态规划动力部件建模 |
| 3.3 多种特征工况下的EVT混合动力系统油耗样本空间构建 |
| 3.4 本章小结 |
| 4 基于特征工况的神经网络油耗评价模型构建 |
| 4.1 EVT混合动力系统神经网络油耗模型输入信息提取 |
| 4.1.1 EVT混合动力系统信息提取 |
| 4.1.2 不同特征工况信息提取 |
| 4.2 EVT混合动力系统多种网络结构的油耗模型搭建 |
| 4.2.1 EVT混合动力系统BP网络油耗模型搭建 |
| 4.2.2 EVT混合动力系统RBF网络油耗模型搭建 |
| 4.2.3 EVT混合动力系统GRNN网络油耗模型搭建 |
| 4.3 三种网络模型的对比分析及网络模型的选定 |
| 4.4 本章小结 |
| 5 EVT混合动力系统方案寻优研究 |
| 5.1 EVT混合动力系统图论模型同构理论 |
| 5.1.1 EVT混合动力系统图论模型同构案例分析 |
| 5.1.2 基于同构方案的EVT混合动力系统集的扩增 |
| 5.2 基于遗传算法和神经网络的EVT混合动力系统方案寻优 |
| 5.2.1 传动系统方案可行性初步判别 |
| 5.2.2 遗传算法与传动方案矩阵综合 |
| 5.2.3 遗传算法设计结果与验证 |
| 5.3 最优方案结果仿真对比验证 |
| 5.4 本章小结 |
| 6 总结与展望 |
| 6.1 论文总结 |
| 6.2 工作展望 |
| 参考文献 |
| 附录 |
| A 作者在攻读硕士学位期间发表的论文目录 |
| B 作者在攻读硕士学位期间参与的科研项目 |
| C 学位论文数据集 |
| 致谢 |
（8）居民家庭小汽车保有量影响因素分析与预测建模（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 选题背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 小汽车保有量影响因素研究 |
| 1.2.2 小汽车保有量预测方法研究 |
| 1.3 主要内容及组织结构 |
| 1.3.1 主要研究内容 |
| 1.3.2 论文结构 |
| 2 相关模型与算法 |
| 2.1 有序LOGIT模型 |
| 2.1.1 随机效用理论 |
| 2.1.2 有序LOGIT模型的推导 |
| 2.2 随机森林 |
| 2.2.1 基分类器 |
| 2.2.2 决策树节点分裂算法 |
| 2.2.3 随机森林的构建 |
| 2.3 支持向量机 |
| 2.3.1 最优分类超平面 |
| 2.3.2 惩罚变量 |
| 2.3.3 核函数 |
| 2.4 BP神经网络 |
| 2.4.1 BP神经网络基本结构 |
| 2.4.2 BP神经网络误差反馈 |
| 2.4.3 BP神经网络基本流程 |
| 2.5 因子分解机 |
| 2.5.1 因子分解机基本理论 |
| 2.5.2 因子分解机求解原理 |
| 2.6 ADAM算法 |
| 2.6.1 梯度下降法 |
| 2.6.2 MOMENTUM算法 |
| 2.6.3 RMSPROP算法 |
| 2.6.4 ADAM算法基本流程 |
| 2.7 本章小结 |
| 3 家庭小汽车保有量影响因素分析 |
| 3.1 北京市家庭小汽车保有量发展历程 |
| 3.2 居民家庭小汽车保有量数据来源及处理 |
| 3.3 家庭小汽车影响因素分析 |
| 3.3.1 家庭小汽车保有量影响因素定性分析 |
| 3.3.2 家庭小汽车保有量影响因素定量分析 |
| 3.4 本章小结 |
| 4 家庭小汽车保有量微观预测模型 |
| 4.1 数据预处理 |
| 4.2 随机森林与支持向量机组合模型 |
| 4.2.1 随机森林与支持向量机组合模型算法流程 |
| 4.2.2 随机森林作用及算法实现 |
| 4.2.3 随机森林与支持向量机组合模型参数标定及效果评估 |
| 4.3 广义BP神经网络模型 |
| 4.3.1 广义BP神经网络算法流程 |
| 4.3.2 广义BP神经网络具体架构 |
| 4.3.3 广义BP神经网络算法实现及效果评估 |
| 4.4 微观层面家庭小汽车保有量模型对比分析 |
| 4.5 本章小结 |
| 5 家庭小汽车保有量宏观预测模型 |
| 5.1 家庭小汽车保有量微观扩宏观模型 |
| 5.1.1 微观扩宏观模型建模过程 |
| 5.1.2 微观扩宏观模型预测结果 |
| 5.2 家庭小汽车保有量时间序列预测模型 |
| 5.2.1 ARIMA时间序列模型基本内容 |
| 5.2.2 ARIMA时间序列模型参数标定及预测结果 |
| 5.3 家庭小汽车保有量宏观模型对比分析 |
| 5.4 本章小结 |
| 6 总结与展望 |
| 6.1 主要研究成果总结 |
| 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 |
（9）基于PW-LSTM和SAW模型的有效泊位预测研究（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 研究概况 |
| §1.2.1 国外研究现状 |
| §1.2.2 国内研究现状 |
| §1.2.3 研究趋势 |
| §1.3 论文创新点及结构内容 |
| §1.3.1 论文的创新点 |
| §1.3.2 论文研究结构内容 |
| 第二章 有效停车位预测相关理论知识 |
| §2.1 时间序列理论基础 |
| §2.1.1 时间序列的概念 |
| §2.1.2 时间序列的种类 |
| §2.1.3 时间序列预测方法 |
| §2.1.4 时间序列预测的评判标准 |
| §2.2 小波分析理论 |
| §2.2.1 连续小波变换 |
| §2.2.2 离散小波变换 |
| §2.2.3 Mallat小波分解与重构 |
| §2.3 混沌理论 |
| §2.3.1 互信息法 |
| §2.3.2 伪邻域法 |
| §2.3.3 小数据量法 |
| §2.4 神经网络 |
| §2.4.1 小波神经网络原理 |
| §2.4.2 长短时记忆网络概念 |
| §2.4.3 长短时记忆网络原理 |
| §2.5 本章小结 |
| 第三章 有效停车位短期预测 |
| §3.1 原始数据预处理 |
| §3.1.1 缺失值 |
| §3.1.2 小波去噪 |
| §3.1.3 归一化 |
| §3.2 停车位时序的基本特性分析 |
| §3.2.1 有效停车位序列的趋势性和周期性分析 |
| §3.2.2 有效停车位序列的时变性和随机性分析 |
| §3.3 特征数据的相关性 |
| §3.4 PW-LSTM模型原理 |
| §3.5 实例分析 |
| §3.5.1 停车位时序预处理 |
| §3.5.2 天气数据预处理 |
| §3.5.3 天气数据和APS的相关性分析 |
| §3.5.4 停车位时间序列混沌性识别 |
| §3.5.5 PWLSTM模型预测结果分析 |
| §3.6 本章小结 |
| 第四章 有效停车位中长期预测 |
| §4.1 随机概率模型 |
| §4.2 混合预测模型SAW |
| §4.3 实例分析 |
| §4.3.1 正态性检验 |
| §4.3.2 SAW预测结果分析 |
| §4.3.3 计算复杂度分析 |
| §4.4 本章小结 |
| 第五章 总结与展望 |
| §5.1 全文总结 |
| §5.2 未来工作 |
| 参考文献 |
| 致谢 |
| 作者在攻读硕士期间的主要研究成果 |
（10）基于SARIMA和BP神经网络的新能源汽车销售预测（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 引言 |
| 1.1 研究背景 |
| 1.2 研究现状及意义 |
| 1.2.1 研究现状 |
| 1.2.2 研究意义 |
| 1.3 论文的研究内容及方法 |
| 1.3.1 论文研究内容 |
| 1.3.2 论文研究方法 |
| 第2章 相关理论及方法 |
| 2.1 ARIMA模型 |
| 2.1.1 ARIMA模型概述 |
| 2.1.2 平稳时间序列分析方法 |
| 2.1.3 非平稳时间序列分析方法 |
| 2.1.4 ARIMA模型建模流程 |
| 2.2 BP神经网络模型 |
| 2.2.1 人工神经网络概述 |
| 2.2.2 BP神经网络模型概述 |
| 2.2.3 BP神经网络模型流程 |
| 2.2.4 TensorFlow框架 |
| 第3章 新能源汽车月度销量预测 |
| 3.1 数据处理 |
| 3.2 基于组合模型的拟合预测 |
| 3.3 基于单一模型的拟合预测 |
| 3.4 结果比较分析 |
| 3.5 新能源汽车月度销量预测 |
| 第4章 新能源汽车年度销量预测 |
| 4.1 基于BP神经网络的拟合预测 |
| 4.1.1 影响因素的选取 |
| 4.1.2 BP神经网络的拟合预测 |
| 4.2 基于ARIMA模型的拟合预测 |
| 4.3 结果比较分析 |
| 4.4 新能源汽车年度销量预测 |
| 第5章 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 参考文献 |
| 致谢 |
| 附录 |
四、基于神经网络的我国汽车保有量建模与预测（论文参考文献）
- [1]基于报废量预测的汽车回收站多目标选址方法研究[D]. 李亚钊. 大连理工大学, 2021(01)
- [2]基于驾驶风格迁移网络的个性化驾驶员模型构建方法研究[D]. 危培. 西安科技大学, 2021(02)
- [3]基于北京的社会经济因素与交通拥堵的关系探究[D]. 徐冰草. 北京交通大学, 2020(03)
- [4]基于汽车保有量和路网容量的城市停车供给预测模型研究[D]. 向怡帆. 重庆交通大学, 2020(01)
- [5]基于EV不确定性的配电网规划研究[D]. 闫普虹. 上海工程技术大学, 2020(04)
- [6]一汽丰田安庆4S店需求预测模型研究[D]. 秦震. 电子科技大学, 2019(04)
- [7]基于特征工况的EVT混合动力系统图论建模与方案寻优研究[D]. 邓淇元. 重庆大学, 2019(01)
- [8]居民家庭小汽车保有量影响因素分析与预测建模[D]. 崔凯俊. 北京交通大学, 2019(12)
- [9]基于PW-LSTM和SAW模型的有效泊位预测研究[D]. 房祥彦. 桂林电子科技大学, 2019(01)
- [10]基于SARIMA和BP神经网络的新能源汽车销售预测[D]. 白一凡. 湘潭大学, 2019(02)