| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 插图索引 | 第9-10页 |
| 附表索引 | 第10-11页 |
| 第1章 绪论 | 第11-17页 |
| 1.1 选题背景、研究目的与意义 | 第11页 |
| 1.2 国内外研究现状 | 第11-16页 |
| 1.3 研究内容与结构 | 第16-17页 |
| 第2章 基于混合 RBF 神经网络的货运量预测模型及算法 | 第17-34页 |
| 2.1 货运量变化特点及关联因素分析 | 第17-19页 |
| 2.1.1 我国货运量变化特点 | 第17-18页 |
| 2.1.2 相关因素分析 | 第18-19页 |
| 2.2 RBF 神经网络模型 | 第19-26页 |
| 2.2.1 RBF 神经网络基本构架 | 第19-21页 |
| 2.2.2 RBF 神经网络学习算法研究现状 | 第21-24页 |
| 2.2.3 RBF 神经网络优点与局限性分析 | 第24-26页 |
| 2.3 混合 RBF 网络货运量预测模型 | 第26-28页 |
| 2.4 基于最近邻聚类中心选取的混合 RBF 网络参数计算 | 第28-32页 |
| 2.4.1 参数学习步骤 | 第28-29页 |
| 2.4.2 基于最近邻聚类的中心选取 | 第29-30页 |
| 2.4.3 参数更新算法 | 第30-31页 |
| 2.4.4 程序框图（算法 I） | 第31-32页 |
| 2.5 小结 | 第32-34页 |
| 第3章 基于 ARMA 模型的线性组合预测 | 第34-41页 |
| 3.1 预测思路 | 第34页 |
| 3.2 ARMA 时序预测 | 第34-38页 |
| 3.2.1 随机时间序列及基本概念 | 第34-36页 |
| 3.2.2 模型的识别 | 第36-37页 |
| 3.2.3 随机时间序列 ARMA(p，q)模型的矩估计 | 第37-38页 |
| 3.2.4 模型的检验 | 第38页 |
| 3.2.5 ARIMA 模型预测算法流程 | 第38页 |
| 3.3 基于 RBF 与 ARIMA 模型的最优线性组合预测 | 第38-40页 |
| 3.4 小结 | 第40-41页 |
| 第4章 软件实现及算例分析 | 第41-48页 |
| 4.1 系统平台及开发环境 | 第41页 |
| 4.2 功能模块设计 | 第41-42页 |
| 4.3 算例分析 | 第42-47页 |
| 4.3.1 问题描述 | 第42-43页 |
| 4.3.2 算法 I 计算过程及输出结果分析 | 第43-44页 |
| 4.3.3 算法 II 计算过程及输出结果分析 | 第44-46页 |
| 4.3.4 综合算法计算及输出结果对比分析 | 第46-47页 |
| 4.4 本章小结 | 第47-48页 |
| 结语 | 第48-50页 |
| 参考文献 | 第50-54页 |
| 致谢 | 第54-55页 |
| 附录 混合 RBF 网络 matlab 代码 | 第55-58页 |
