| 摘要 | 第6-7页 |
| Abstract | 第7页 |
| 第1章 绪论 | 第10-17页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.1.1 选题背景 | 第10-11页 |
| 1.1.2 研究意义 | 第11页 |
| 1.2 国内外研究现状 | 第11-14页 |
| 1.3 研究目标与研究内容 | 第14-15页 |
| 1.3.1 研究目标 | 第14页 |
| 1.3.2 研究内容 | 第14-15页 |
| 1.4 拟采用的研究方法和技术路线 | 第15-17页 |
| 1.4.1 研究方法 | 第15页 |
| 1.4.2 研究路线 | 第15-17页 |
| 第2章 现有单项预测模型概述 | 第17-34页 |
| 2.1 指数平滑预测模型 | 第17-18页 |
| 2.1.1 季节性指数平滑预测模型 | 第17-18页 |
| 2.2 Box-Jenkins模型 | 第18-21页 |
| 2.2.1 自回归移动平均模型(ARIMA) | 第19-20页 |
| 2.2.2 季节性自回归移动平均模型(SARIMA) | 第20页 |
| 2.2.3 季节性自回归移动平均模型的建模步骤 | 第20-21页 |
| 2.3 灰色系统预测模型 | 第21-25页 |
| 2.3.1 GM(1,1)模型的建立 | 第22-23页 |
| 2.3.2 GM(1,1)模型的精度检验 | 第23-25页 |
| 2.4 反向传播神经网络模型(Back propagation algorithm) | 第25-28页 |
| 2.4.1 反向传播神经网络的建立 | 第26-28页 |
| 2.5 支持向量机(Support Vector Machine,SVM) | 第28-34页 |
| 2.5.1 支持向量回归(Support Vector Regression,SVR) | 第29-32页 |
| 2.5.2 拉格朗日乘数(Lagrange multipliers) | 第32页 |
| 2.5.3 核函数(Kernel Function) | 第32-34页 |
| 第3章 铁路旅客运输量组合预测模型 | 第34-39页 |
| 3.1 组合预测的提出 | 第34-35页 |
| 3.2 组合预测的基本原理 | 第35-36页 |
| 3.3 新的组合方法的提出 | 第36-37页 |
| 3.4 模型性能标准 | 第37-39页 |
| 第4章 数据分析 | 第39-51页 |
| 4.1 数据来源 | 第39-41页 |
| 4.2 各模型预测结果 | 第41-48页 |
| 4.2.1 季节性指数平滑预测模型 | 第41-42页 |
| 4.2.2 季节性自回归移动平均模型 | 第42-43页 |
| 4.2.3 灰色系统GM(1,1)模型 | 第43-44页 |
| 4.2.4 BP神经网络预测模型 | 第44-46页 |
| 4.2.5 支持向量回归预测模型 | 第46-48页 |
| 4.3 模型分析 | 第48-51页 |
| 结论 | 第51-53页 |
| 本文结论 | 第51-52页 |
| 研究不足与展望 | 第52-53页 |
| 致谢 | 第53-54页 |
| 参考文献 | 第54-59页 |
| 附录 | 第59-62页 |
| 灰色系统GM(1,1)MATLAB代码 | 第59-61页 |
| BP神经网络MATLAB代码 | 第61-62页 |
| 支持向量回归基于Libsvm工具包的MATLAB网络代码 | 第62页 |
