| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第一章 绪论 | 第11-23页 |
| 1.1 课题研究的背景和意义 | 第11-12页 |
| 1.2 国内外短时交通流预测方法研究现状 | 第12-20页 |
| 1.2.1 基于线性理论的预测方法 | 第12-13页 |
| 1.2.2 基于非线性理论的预测方法 | 第13页 |
| 1.2.3 基于知识发现的智能模型预测方法 | 第13-17页 |
| 1.2.4 基于交通模拟的预测方法 | 第17-18页 |
| 1.2.5 组合模型预测方法 | 第18-20页 |
| 1.3 本文的主要内容 | 第20页 |
| 1.4 本文结构安排 | 第20-21页 |
| 1.5 本章小结 | 第21-23页 |
| 第二章 交通流基本特性和支持向量机基本原理 | 第23-37页 |
| 2.1 交通流特性及影响因素分析 | 第23-25页 |
| 2.1.1 交通流基本特征参数 | 第24页 |
| 2.1.2 交通流基本参数的关系模型 | 第24-25页 |
| 2.2 短时交通流预测基本流程 | 第25-26页 |
| 2.3 支持向量机理论与原理 | 第26-34页 |
| 2.3.1 统计学理论 | 第26-27页 |
| 2.3.2 支持向量机原理 | 第27-29页 |
| 2.3.3 支持向量机分类 | 第29-30页 |
| 2.3.4 支持向量机核函数 | 第30-31页 |
| 2.3.5 支持向量机回归模型 | 第31-34页 |
| 2.4 本章小结 | 第34-37页 |
| 第三章 基于支持向量机回归的短时交通流预测方法 | 第37-61页 |
| 3.1 短时交通流预测问题描述 | 第37页 |
| 3.2 基于支持向量机回归的预测模型 | 第37-39页 |
| 3.3 基于容许方向法的求解算法 | 第39-42页 |
| 3.4 实验分析 | 第42-59页 |
| 3.4.1 实验数据来源 | 第42-47页 |
| 3.4.2 算法性能分析 | 第47-50页 |
| 3.4.3 模型参数选择 | 第50-56页 |
| 3.4.4 方法性能比较 | 第56-59页 |
| 3.5 本章小结 | 第59-61页 |
| 第四章 基于遗传算法的支持向量机回归参数优化设计 | 第61-79页 |
| 4.1 基于GA_SVR的预测模型基本思想 | 第61-62页 |
| 4.2 预测问题描述与模型 | 第62-64页 |
| 4.3 基于GA的模型参数优化算法 | 第64-68页 |
| 4.3.1 算法总体框架 | 第64-65页 |
| 4.3.2 遗传算法设计 | 第65-68页 |
| 4.4 实验分析 | 第68-73页 |
| 4.4.1 算法性能分析 | 第68-71页 |
| 4.4.2 算法性能评价 | 第71-73页 |
| 4.5 基于GA_SVR模型的短时交通流预测方法实证分析 | 第73-78页 |
| 4.5.1 实证数据来源 | 第73-75页 |
| 4.5.2 预测方法评价 | 第75-78页 |
| 4.6 本章小结 | 第78-79页 |
| 第五章 短时交通流预测系统设计与实现 | 第79-91页 |
| 5.1 智能交通计算系统总体框架 | 第79-81页 |
| 5.1.1 系统物理结构 | 第79页 |
| 5.1.2 系统逻辑结构 | 第79-81页 |
| 5.2 短时交通流预测系统分析 | 第81页 |
| 5.2.1 系统需求分析 | 第81页 |
| 5.3 短时交通流系统设计 | 第81-84页 |
| 5.3.1 功能总体结构 | 第81-82页 |
| 5.3.2 功能详细设计 | 第82页 |
| 5.3.3 数据库设计 | 第82-84页 |
| 5.4 短时交通流预测系统的实现 | 第84-90页 |
| 5.4.1 系统研发平台概述 | 第85页 |
| 5.4.2 数据模拟模块 | 第85页 |
| 5.4.3 预测模型模块 | 第85-87页 |
| 5.4.4 预测评价模块 | 第87-90页 |
| 5.5 本章小结 | 第90-91页 |
| 第六章 总结与展望 | 第91-93页 |
| 6.1 论文工作总结 | 第91页 |
| 6.2 未来研究方向展望 | 第91-93页 |
| 参考文献 | 第93-99页 |
| 致谢 | 第99-101页 |
| 攻读硕士期间发表的论文、获奖情况及发明专利等项 | 第101页 |