基于支持向量机的流量预测和状态判别研究
| 摘要 | 第1-5页 |
| Abstract | 第5-8页 |
| 1 绪论 | 第8-14页 |
| ·研究背景和研究意义 | 第8-9页 |
| ·研究现状 | 第9-12页 |
| ·交通流预测的研究现状 | 第9-10页 |
| ·交通状态判别的研究现状 | 第10-12页 |
| ·本文主要研究内容 | 第12-13页 |
| ·本文组织结构 | 第13-14页 |
| 2 机器学习和支持向量机 | 第14-26页 |
| ·机器学习问题 | 第14-17页 |
| ·学习问题的描述 | 第14-15页 |
| ·经验风险最小化 | 第15-16页 |
| ·复杂性与推广能力 | 第16-17页 |
| ·统计学习理论 | 第17-24页 |
| ·一致性概念和关键定理 | 第17-19页 |
| ·函数集的VC维 | 第19-21页 |
| ·结构风险最小化 | 第21-24页 |
| ·支持向量机基本原理 | 第24-25页 |
| ·本章小结 | 第25-26页 |
| 3 基于数据挖掘和支持向量机的交通流预测 | 第26-39页 |
| ·数据挖掘 | 第26-30页 |
| ·数据挖掘的发展 | 第26-27页 |
| ·数据挖掘的特点 | 第27页 |
| ·数据挖掘的功能 | 第27页 |
| ·数据挖掘的结构 | 第27-29页 |
| ·数据挖掘的流程 | 第29-30页 |
| ·支持向量回归机 | 第30-32页 |
| ·基于数据挖掘的交通流预测模型 | 第32-34页 |
| ·仿真实验 | 第34-38页 |
| ·数据描述 | 第34页 |
| ·样本提取 | 第34页 |
| ·流量数据的预处理 | 第34-35页 |
| ·评价指标 | 第35-36页 |
| ·结果分析 | 第36-38页 |
| ·本章小结 | 第38-39页 |
| 4 基于聚类分析和多类支持向量机的交通状态判别 | 第39-47页 |
| ·聚类分析方法 | 第39-40页 |
| ·多类支持向量机方法 | 第40-41页 |
| ·实时交通状态评估模型 | 第41-42页 |
| ·仿真实验 | 第42-46页 |
| ·数据聚类的流程 | 第42页 |
| ·数据描述 | 第42-43页 |
| ·数据聚类 | 第43-44页 |
| ·多类支持向量机分类 | 第44-45页 |
| ·结果分析 | 第45-46页 |
| ·本章小结 | 第46-47页 |
| 5 交通流量预测和状态判别的应用 | 第47-53页 |
| ·交通状态指标分析 | 第47-50页 |
| ·道路通行能力 | 第47页 |
| ·道路服务水平 | 第47-49页 |
| ·交通拥挤判定 | 第49-50页 |
| ·交通状态判别系统设计 | 第50-52页 |
| ·总体设计 | 第50-51页 |
| ·数据库设计 | 第51-52页 |
| ·交通状态信息发布 | 第52页 |
| ·本章小结 | 第52-53页 |
| 结论 | 第53-54页 |
| 参考文献 | 第54-57页 |
| 攻读硕士学位期间发表学术论文情况 | 第57-58页 |
| 致谢 | 第58-59页 |
