| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第一章 绪论 | 第9-15页 |
| 1.1 研究的背景 | 第9-10页 |
| 1.2 交通流预测的基本方法 | 第10-11页 |
| 1.3 国内外研究现状 | 第11-13页 |
| 1.3.1 国外研究现状 | 第11-12页 |
| 1.3.2 国内研究现状 | 第12-13页 |
| 1.4 研究的目的和意义 | 第13页 |
| 1.5 研究内容和方法 | 第13-14页 |
| 1.6 本章小结 | 第14-15页 |
| 第二章 交通数据流分析 | 第15-25页 |
| 2.1 交通流基本理论 | 第15-17页 |
| 2.1.1 速度 | 第15-16页 |
| 2.1.2 流量 | 第16页 |
| 2.1.3 占有率 | 第16-17页 |
| 2.2 交通流信息采集技术 | 第17-21页 |
| 2.2.1 移动型交通流信息采集技术 | 第17-18页 |
| 2.2.2 固定型交通流信息采集技术 | 第18-19页 |
| 2.2.3 数据来源 | 第19-21页 |
| 2.3 短时交通流数据的预处理技术 | 第21-23页 |
| 2.3.1 交通流丢失及错误数据的识别和处理 | 第21-22页 |
| 2.3.2 交通流数据的降噪处理 | 第22-23页 |
| 2.4 归一化 | 第23-24页 |
| 2.5 本章小结 | 第24-25页 |
| 第三章 支持向量回归的交通流预测模型 | 第25-37页 |
| 3.1 支持向量机的理论基础 | 第25-27页 |
| 3.1.1 学习问题的描述 | 第25-26页 |
| 3.1.2 经验风险最小化 | 第26页 |
| 3.1.3 推广性的界理论 | 第26-27页 |
| 3.1.4 结构风险最小化 | 第27页 |
| 3.2 支持向量回归 | 第27-31页 |
| 3.2.1 线性分类器 | 第27-28页 |
| 3.2.2 最有分类面 | 第28-29页 |
| 3.2.3 松弛变量 | 第29-30页 |
| 3.2.4 核函数 | 第30-31页 |
| 3.3 自适应的参数选择 | 第31-32页 |
| 3.4 支持向量回归预测模型 | 第32-33页 |
| 3.5 实证性研究 | 第33-36页 |
| 3.5.1 数据来源及计算结果 | 第33-34页 |
| 3.5.2 计算结果评价 | 第34-36页 |
| 3.6 本章小结 | 第36-37页 |
| 第四章 支持向量回归参数优化 | 第37-47页 |
| 4.1 传统粒子群优化算法 | 第37-41页 |
| 4.1.1 粒子群优化算法的相关理论 | 第37-39页 |
| 4.1.2 粒子群优化算法进行支持向量回归参数优化 | 第39-40页 |
| 4.1.3 粒子群优化算法实证性研究 | 第40-41页 |
| 4.2 改进的粒子群优化算法 | 第41-45页 |
| 4.2.1 遗传算法相关理论 | 第41-42页 |
| 4.2.2 遗传算法和粒子群算法的优劣比较 | 第42-43页 |
| 4.2.3 改进的粒子群优化算法 | 第43-44页 |
| 4.2.4 实证性研究 | 第44-45页 |
| 4.3 本章小结 | 第45-47页 |
| 第五章 城市道路短时交通流预测系统设计与实现 | 第47-54页 |
| 5.1 短时交通流预测系统设计 | 第47-51页 |
| 5.1.1 短时交通流预测系统的主要功能 | 第47-51页 |
| 5.2 基于百度地图的预测结果实时显示 | 第51-53页 |
| 5.2.1 百度地图API | 第51页 |
| 5.2.2 Java Script | 第51-52页 |
| 5.2.3 功能实现 | 第52-53页 |
| 5.2.4 显示结果 | 第53页 |
| 5.3 本章小结 | 第53-54页 |
| 总结与展望 | 第54-56页 |
| 创新点 | 第54-55页 |
| 展望 | 第55-56页 |
| 参考文献 | 第56-59页 |
| 攻读学位期间取得的研究成果 | 第59-60页 |
| 致谢 | 第60页 |