| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 1 绪论 | 第8-15页 |
| 1.1 研究背景和意义 | 第8-10页 |
| 1.2 短时交通流预测研究现状 | 第10-12页 |
| 1.3 论文主要研究内容 | 第12-13页 |
| 1.4 论文组织结构 | 第13-15页 |
| 2 交通流特性及数据预处理 | 第15-21页 |
| 2.1 交通流特性 | 第15-16页 |
| 2.2 交通流数据特点 | 第16-17页 |
| 2.3 交通流数据预处理方法 | 第17-18页 |
| 2.4 论文实验数据准备 | 第18-20页 |
| 2.4.1 实测数据描述 | 第18-19页 |
| 2.4.2 实验数据预处理 | 第19-20页 |
| 2.5 本章小结 | 第20-21页 |
| 3 基于SA-SVR预测短时交通流 | 第21-29页 |
| 3.1 支持向量机 | 第21-25页 |
| 3.1.1 分类问题描述 | 第21页 |
| 3.1.2 线性可分支持向量分类机 | 第21-22页 |
| 3.1.3 线性支持向量分类机 | 第22-23页 |
| 3.1.4 支持向量分类机 | 第23-24页 |
| 3.1.5 支持向量回归机 | 第24-25页 |
| 3.2 基于模拟退火算法优化SVR参数 | 第25-27页 |
| 3.2.1 参数选择对SVR性能的影响及研究现状 | 第25-26页 |
| 3.2.2 基于模拟退火的SVR参数优化算法 | 第26-27页 |
| 3.3 SA-SVR短时交通流预测模型 | 第27-28页 |
| 3.4 本章小结 | 第28-29页 |
| 4 Hadoop环境下基于SA-SVR预测短时交通流 | 第29-44页 |
| 4.1 云计算平台Hadoop | 第29-34页 |
| 4.1.1 Hadoop简介 | 第29-30页 |
| 4.1.2 HDFS简介 | 第30-32页 |
| 4.1.3 MapReduce简介 | 第32-34页 |
| 4.2 大规模SVM训练算法 | 第34-39页 |
| 4.2.1 大规模SVM训练算法的停机条件 | 第35-36页 |
| 4.2.2 基于迭代的大规模SVM训练算法 | 第36-37页 |
| 4.2.3 基于并行的大规模SVM训练算法 | 第37-39页 |
| 4.3 Hadoop环境下大规模SVR训练算法 | 第39-42页 |
| 4.3.1 算法详细设计 | 第40-41页 |
| 4.3.2 算法伪代码 | 第41-42页 |
| 4.4 Hadoop环境下SA-SVR短时交通流预测模型 | 第42-43页 |
| 4.5 本章小结 | 第43-44页 |
| 5 实验 | 第44-56页 |
| 5.1 SA-SVR短时交通流预测实验 | 第44-48页 |
| 5.1.1 实验环境介绍 | 第44页 |
| 5.1.2 评价指标与对比算法 | 第44-45页 |
| 5.1.3 BP神经网络与支持向量回归机对比试验 | 第45-46页 |
| 5.1.4 基于参数优化的SVR模型对比试验 | 第46-48页 |
| 5.2 Hadoop环境下SA-SVR短时交通流预测实验 | 第48-54页 |
| 5.2.1 实验环境介绍 | 第48-49页 |
| 5.2.2 评价标准与对比算法 | 第49-50页 |
| 5.2.3 并行SVR与单机SVR性能对比试验 | 第50-54页 |
| 5.3 本章小结 | 第54-56页 |
| 结论 | 第56-58页 |
| 参考文献 | 第58-60页 |
| 攻读硕士学位期间发表学术论文情况 | 第60-61页 |
| 致谢 | 第61-62页 |
