基于小波包分析和支持向量回归机的交通流量预测方法研究
| 摘要 | 第1-5页 |
| Abstract | 第5-8页 |
| 1 绪论 | 第8-14页 |
| ·选题背景 | 第8-9页 |
| ·国内外研究现状 | 第9-11页 |
| ·交通流预测的研究现状 | 第9-10页 |
| ·交通流量信号特征提取方法研究现状 | 第10页 |
| ·支持向量机的交通流预测的现状 | 第10-11页 |
| ·本课题研究的目的和意义 | 第11-12页 |
| ·本文研究的主要内容 | 第12-14页 |
| 2 数据预处理 | 第14-16页 |
| ·数据来源 | 第14-15页 |
| ·数据预处理 | 第15-16页 |
| 3 基于小波包分析的交通流信号分解与重构 | 第16-46页 |
| ·小波变换基础 | 第16-30页 |
| ·连续小波变换 | 第16-19页 |
| ·二进小波及框架 | 第19-24页 |
| ·多分辨率分析 | 第24-27页 |
| ·Mallat 算法 | 第27-30页 |
| ·小波包分析基本原理 | 第30-38页 |
| ·小波包的定义与性质 | 第31-32页 |
| ·小波包的优点—精细分割能力 | 第32-37页 |
| ·小波包的分解与重构 | 第37-38页 |
| ·交通流信号的分解与重构 | 第38-44页 |
| ·最优分解树的选择 | 第38-40页 |
| ·交通流数据的小波包分解与重构 | 第40-44页 |
| ·本章小结 | 第44-46页 |
| 4 基于支持向量回归机的交通流预测 | 第46-73页 |
| ·统计学习理论基础 | 第47-52页 |
| ·经验风险最小化原则 | 第47-48页 |
| ·VC 维 | 第48页 |
| ·学习机泛化能力的界 | 第48-49页 |
| ·结构风险最小化 | 第49-52页 |
| ·支持向量机 | 第52-57页 |
| ·支持向量机简介 | 第52页 |
| ·最大分类间隔原则 | 第52-55页 |
| ·支持向量机原理 | 第55-57页 |
| ·支持向量回归机 | 第57-66页 |
| ·ε-支持向量回归机 | 第58-60页 |
| ·二次ε-支持向量回归机 | 第60-62页 |
| ·最小二乘支持向量机 | 第62-65页 |
| ·三种支持向量回归机的对比 | 第65页 |
| ·核函数的选择 | 第65-66页 |
| ·交通流量的预测 | 第66-70页 |
| ·几种小波核与常规核性能的对比 | 第70-72页 |
| ·本章小结 | 第72-73页 |
| 5 结论 | 第73-75页 |
| 参考文献 | 第75-78页 |
| 攻读硕士学位期间发表的论文及科研成果 | 第78-79页 |
| 致谢 | 第79-80页 |
