基于SVR的数据预处理分析与研究
| 摘要 | 第1-8页 |
| Abstract | 第8-9页 |
| 插图索引 | 第9-10页 |
| 附表索引 | 第10-11页 |
| 第1章 绪论 | 第11-17页 |
| ·研究背景 | 第11-12页 |
| ·研究意义 | 第12-13页 |
| ·研究现状 | 第13-16页 |
| ·基于参数模型的预测 | 第13-14页 |
| ·基于非参数模型的预测 | 第14页 |
| ·基于人工智能方法的预测 | 第14-15页 |
| ·基于组合模型的预测 | 第15-16页 |
| ·章节安排及创新点 | 第16-17页 |
| 第2章 城市交通流状态基本特性分析 | 第17-23页 |
| ·交通流状态基本理论 | 第18-19页 |
| ·交通流状态的概念和特征 | 第19-20页 |
| ·交通流数据的来源 | 第20-22页 |
| ·本章小结 | 第22-23页 |
| 第3章 交通流数据预处理研究 | 第23-37页 |
| ·噪声数据预处理模型 | 第23-29页 |
| ·平滑移动模型(MA) | 第23-24页 |
| ·主成分分析(PCA) | 第24-26页 |
| ·小波分析(WA) | 第26-29页 |
| ·问题数据预处理模型 | 第29-30页 |
| ·数据缺失预处理 | 第30-31页 |
| ·数据融合预处理 | 第31-32页 |
| ·数据融合技术介绍 | 第31页 |
| ·信源可信度的概念及相关检测技术 | 第31-32页 |
| ·微波和浮动车检测技术分析 | 第32页 |
| ·提出的数据预处理方法 | 第32-36页 |
| ·数据预处理方法 | 第33-34页 |
| ·数据预处理步骤 | 第34-36页 |
| ·本章小结 | 第36-37页 |
| 第4章 基于SVR的交通流状态预测与改进 | 第37-46页 |
| ·支持向量回归原理介绍 | 第37-40页 |
| ·统计学习理论 | 第37-38页 |
| ·支持向量机理论 | 第38-39页 |
| ·支持向量回归理论 | 第39-40页 |
| ·交通流预测模型比较及适应性分析 | 第40-42页 |
| ·SVR模型与神经网络模型的对比分析 | 第40-41页 |
| ·SVR用于交通流短时预测的适应性分析 | 第41-42页 |
| ·SVR交通流短时预测模型参数选取分析 | 第42-44页 |
| ·核函数 | 第42-43页 |
| ·核参数作用分析 | 第43页 |
| ·网格法选取SVR模型参数 | 第43-44页 |
| ·结合相邻路段数据处理的支持向量回归预测 | 第44-45页 |
| ·本章小结 | 第45-46页 |
| 第5章 模型预测及结果分析 | 第46-58页 |
| ·相邻路段数据预处理 | 第46-48页 |
| ·结合支持向量回归机预测 | 第48-50页 |
| ·运用多种预处理技术和神经网络模型进行对比 | 第50-57页 |
| ·平滑移动法(MA) | 第50-51页 |
| ·主成分分析法(PCA) | 第51-52页 |
| ·小波分析法(WA) | 第52-54页 |
| ·SVR模型与神经网络模型的对比 | 第54-57页 |
| ·本章小结 | 第57-58页 |
| 总结与展望 | 第58-59页 |
| 参考文献 | 第59-63页 |
| 致谢 | 第63-64页 |
| 附录A 攻读学位期间所发表的学术论文目录 | 第64页 |
