| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第10-20页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.2 智能交通系统系统概述 | 第11-13页 |
| 1.2.1 ITS的发展状况 | 第11-12页 |
| 1.2.2 大数据在ITS中的应用 | 第12-13页 |
| 1.3 国内外研究现状 | 第13-17页 |
| 1.4 存在的不足 | 第17-18页 |
| 1.5 主要研究内容 | 第18页 |
| 1.6 论文章节简介 | 第18-20页 |
| 第二章 交通流数据分析与预处理 | 第20-28页 |
| 2.1 交通流理论概述 | 第20-22页 |
| 2.2 实验数据来源 | 第22-24页 |
| 2.3 交通流数据预处理 | 第24-25页 |
| 2.4 交通数据归一化 | 第25-26页 |
| 2.5 本章小结 | 第26-28页 |
| 第三章 基于支持向量回归机的短时交通流预测 | 第28-40页 |
| 3.1 短时交通流预测方法分析 | 第28-29页 |
| 3.2 支持向量机理论 | 第29-34页 |
| 3.2.1 支持向量机原理 | 第29-30页 |
| 3.2.2 支持向量回归机原理 | 第30-32页 |
| 3.2.3 松弛变量 | 第32-33页 |
| 3.2.4 核函数 | 第33-34页 |
| 3.3 基于支持向量回归预测模型研究 | 第34-37页 |
| 3.3.1 模型参数分析 | 第34-35页 |
| 3.3.2 网格法选取模型参数 | 第35页 |
| 3.3.3 仿真实验 | 第35-36页 |
| 3.3.4 实验评价指标 | 第36-37页 |
| 3.3.5 实验结果分析 | 第37页 |
| 3.4 本章小结 | 第37-40页 |
| 第四章 基于改进的PSO-SVR短时交通预测模型 | 第40-50页 |
| 4.1 粒子群算法理论 | 第40-42页 |
| 4.1.1 粒子群的起源 | 第40页 |
| 4.1.2 粒子群优化算法思想 | 第40-42页 |
| 4.2 PSO-SVR短时交通预测模型 | 第42-44页 |
| 4.2.1 PSO算法流程 | 第42-43页 |
| 4.2.2 PSO-SVR模型流程 | 第43-44页 |
| 4.2.3 实验仿真 | 第44页 |
| 4.3 改进PSO-SVR算法预测模型 | 第44-47页 |
| 4.3.1 混沌搜索 | 第45页 |
| 4.3.2 改进PSO-SVR算法 | 第45-46页 |
| 4.3.3 改进PSO算法验证 | 第46-47页 |
| 4.4 基于改进的PSO-SVR短时交通预测结果 | 第47-48页 |
| 4.5 本章小结 | 第48-50页 |
| 第五章 基于时空关联性的改进PSO-SVR算法预测模型 | 第50-58页 |
| 5.1 时空关联性分析 | 第50-52页 |
| 5.2 变权重融合时空关联性的改进PSO-SVR算法预测 | 第52-54页 |
| 5.3 基于BP网络融合时空关联性的改进PSO-SVR预测模型 | 第54-57页 |
| 5.4 本章小结 | 第57-58页 |
| 第六章 总结与展望 | 第58-60页 |
| 致谢 | 第60-62页 |
| 参考文献 | 第62-66页 |
| 附录A 攻读硕士学位期间的研究成果 | 第66页 |
