基于混沌和SVR的短时交通流预测方法研究
| 摘要 | 第1-7页 |
| Abstract | 第7-11页 |
| 第1章 绪论 | 第11-16页 |
| ·短时交通流预测概述 | 第11页 |
| ·短时交通流预测研究目的和意义 | 第11-12页 |
| ·短时交通流预测研究现状概述 | 第12-13页 |
| ·论文的主要工作及章节安排 | 第13-16页 |
| 第2章 交通流混沌特性及相空间重构分析 | 第16-27页 |
| ·混沌理论及李雅谱诺夫指数 | 第16-18页 |
| ·混沌理论 | 第16页 |
| ·李雅谱诺夫指数 | 第16-17页 |
| ·小数据量法计算李雅谱诺夫指数 | 第17-18页 |
| ·基于混沌理论的短时交通流可预测性及原理分析 | 第18-20页 |
| ·基于混沌理论的短时交通流可预测性分析 | 第18-19页 |
| ·基于混沌理论的短时交通流预测原理 | 第19-20页 |
| ·短时交通流时间序列的相空间重构 | 第20-22页 |
| ·短时交通流时间序列相空间重构理论 | 第20-21页 |
| ·时间延迟和嵌入维数的选取 | 第21-22页 |
| ·交通流数据来源及混沌仿真 | 第22-26页 |
| ·工作日交通流数据 | 第22-23页 |
| ·节假日交通流数据 | 第23页 |
| ·基于混沌理论的实测交通流仿真 | 第23-26页 |
| ·本章小结 | 第26-27页 |
| 第3章 SVR基本原理分析及模型参数选取设计 | 第27-45页 |
| ·支持向量机回归原理 | 第27-32页 |
| ·统计学习理论 | 第27-28页 |
| ·支持向量机 | 第28-30页 |
| ·支持向量回归机 | 第30-32页 |
| ·短时预测模型比较及适用性分析 | 第32-35页 |
| ·目前短时交通流预测方法和模型面临的问题 | 第32-33页 |
| ·SVR模型与神经网络模型的比较分析 | 第33-34页 |
| ·SVR模型应用于交通流预测的适用性分析 | 第34-35页 |
| ·短时交通流SVR预测模型参数优化选取设计 | 第35-44页 |
| ·短时交通流SVR预测模型核函数及其参数分析 | 第35-37页 |
| ·应用网格搜索法选取SVR短时交通流预测模型参数 | 第37页 |
| ·应用遗传算法选取SVR短时交通流预测模型参数 | 第37-40页 |
| ·短时交通流预测模型参数选取实验结果 | 第40-44页 |
| ·本章小结 | 第44-45页 |
| 第4章 基于SVR的短时交通流预测模型设计及仿真 | 第45-57页 |
| ·基于SVR的短时交通流预测模型设计 | 第45-48页 |
| ·基于相空间的SVR短时交通流预测模型 | 第45-46页 |
| ·基于相空间的SVR的短时交通流预测的建模过程 | 第46-48页 |
| ·基于SVR的短时交通流预测实验仿真 | 第48-53页 |
| ·短时交通流预测评价指标 | 第48-49页 |
| ·短时交通流数据预处理 | 第49-50页 |
| ·预测实验及结果分析 | 第50-53页 |
| ·基于神经网络的短时交通流预测研究 | 第53-56页 |
| ·基于BP神经网络的短时交通流预测模型 | 第53-54页 |
| ·实验仿真及与SVR模型比较 | 第54-56页 |
| ·本章小结 | 第56-57页 |
| 第5章 基于集成SVR的短时交通流预测研究 | 第57-66页 |
| ·集成学习应用于SVR短时交通流预测的分析 | 第57-59页 |
| ·短时交通流预测成员回归器的生成 | 第58页 |
| ·短时交通流预测成员回归器的整合 | 第58-59页 |
| ·Bagging集成SVR短时交通流预测研究 | 第59-61页 |
| ·Bagging集成SVR短时交通流预测原理 | 第59-61页 |
| ·预测实验及结果 | 第61页 |
| ·Boosting集成SVR短时交通流预测研究 | 第61-64页 |
| ·Boosting集成SVR短时交通流预测原理 | 第61-64页 |
| ·预测实验及结果 | 第64页 |
| ·集成SVR与单一SVR预测性能比较 | 第64-65页 |
| ·本章小结 | 第65-66页 |
| 总结与展望 | 第66-68页 |
| 致谢 | 第68-69页 |
| 参考文献 | 第69-73页 |
| 攻读硕士期间发表的学术论文 | 第73页 |
