基于支持向量机回归的短时交通流预测研究与实现
| 摘要 | 第1-6页 |
| Abstract | 第6-10页 |
| 第一章 绪论 | 第10-21页 |
| ·选题的背景 | 第10-12页 |
| ·短时交通流预测的研究现状 | 第12-17页 |
| ·短时交通流预测的特点和流程 | 第12-14页 |
| ·短时交通流预测国外研究综述 | 第14-15页 |
| ·短时交通流预测国内研究综述 | 第15页 |
| ·短时交通流预测的常用方法及存在的问题 | 第15-17页 |
| ·研究的内容和方法 | 第17-19页 |
| ·研究的目的和意义 | 第19-20页 |
| ·本章小结 | 第20-21页 |
| 第二章 交通流数据分析 | 第21-30页 |
| ·交通流基本特征参数 | 第21-22页 |
| ·交通流数据自动采集设备和技术 | 第22-23页 |
| ·短时交通流预测的预处理技术 | 第23-29页 |
| ·交通丢失及错误数据识别与处理 | 第23-24页 |
| ·交通数据降噪处理 | 第24-28页 |
| ·归一化 | 第28-29页 |
| ·本章小结 | 第29-30页 |
| 第三章 基于支持向量机回归的短时交通流预测模型 | 第30-53页 |
| ·支持向量机相关理论 | 第30-41页 |
| ·机器学习 | 第30-32页 |
| ·支持向量机 | 第32-39页 |
| ·支持向量机回归 | 第39-41页 |
| ·模型建立 | 第41-43页 |
| ·实证性研究 | 第43-52页 |
| ·数据来源及计算结果 | 第43-48页 |
| ·计算结果分析 | 第48-52页 |
| ·本章小结 | 第52-53页 |
| 第四章 支持向量机回归参数优化 | 第53-70页 |
| ·使用传统粒子群优化算法进行模型优化 | 第53-60页 |
| ·粒子群优化算法相关理论 | 第53-56页 |
| ·粒子群优化进行支持向量机参数优化的步骤 | 第56-58页 |
| ·粒子群优化参数实证性研究 | 第58-60页 |
| ·使用改进的粒子群优化算法进行模型优化 | 第60-69页 |
| ·遗传算法介绍 | 第60-61页 |
| ·遗传算法和粒子群算法的优劣比较 | 第61页 |
| ·一种改进的粒子群优化算法 | 第61-63页 |
| ·实证性研究 | 第63-69页 |
| ·本章小结 | 第69-70页 |
| 第五章 研究总结及展望 | 第70-73页 |
| ·研究的总结 | 第70-71页 |
| ·研究的展望 | 第71-73页 |
| 参考文献 | 第73-77页 |
| 攻读硕士学位期间取得的研究成果 | 第77-78页 |
| 致谢 | 第78页 |
