| 摘要 | 第1-4页 |
| ABSTRACT | 第4-7页 |
| 第一章 绪论 | 第7-17页 |
| ·研究的背景和意义 | 第7-9页 |
| ·研究的背景 | 第7-8页 |
| ·研究的意义 | 第8-9页 |
| ·客运量预测的国内外常用方法 | 第9-14页 |
| ·常用的预测方法 | 第9-12页 |
| ·新预测理论在客运量预测中的应用 | 第12-14页 |
| ·论文的主要研究方法 | 第14页 |
| ·论文的主要内容及结构图 | 第14-17页 |
| ·论文的主要研究内容 | 第14-15页 |
| ·论文的研究结构图 | 第15-17页 |
| 第二章 铁路客运需求及影响因素分析 | 第17-28页 |
| ·客运量变化的特点及预测步骤 | 第17-18页 |
| ·客运量变化的特点 | 第17页 |
| ·预测的思路及步骤 | 第17-18页 |
| ·运输结构与各种运输方式的发展趋势 | 第18-23页 |
| ·运输结构与运输量 | 第18页 |
| ·铁路运输的发展趋势 | 第18-23页 |
| ·影响客运量的因素 | 第23-26页 |
| ·运输结构的演变对铁路客运量的影响 | 第24-25页 |
| ·其他因素对铁路客运量的影响 | 第25-26页 |
| ·影响因素的选取 | 第26-27页 |
| ·影响因素的选取标准 | 第26页 |
| ·影响因素的确定 | 第26-27页 |
| ·本章小结 | 第27-28页 |
| 第三章 支持向量机和遗传算法的理论基础 | 第28-48页 |
| ·支持向量机理论概述 | 第28-33页 |
| ·统计学习理论的基本思想 | 第28-29页 |
| ·经验风险最小化原则 | 第29-30页 |
| ·VC 维 | 第30-31页 |
| ·推广性的界 | 第31-32页 |
| ·结构风险最小化原则 | 第32-33页 |
| ·支持向量机的基本原理 | 第33-37页 |
| ·线性学习 | 第33-34页 |
| ·优化理论 | 第34-35页 |
| ·支持向量机回归 | 第35-36页 |
| ·支持向量机回归原理 | 第36-37页 |
| ·遗传算法理论 | 第37-47页 |
| ·遗传算法的理论基础 | 第38-40页 |
| ·遗传算法的基本思想 | 第40-41页 |
| ·遗传算法的数学模型及其步骤 | 第41-42页 |
| ·遗传算法的具体实现 | 第42-47页 |
| ·本章小结 | 第47-48页 |
| 第四章 影响因素下的 GA-SVM 模型的铁路客运量预测 | 第48-70页 |
| ·基于遗传算法优化支持向量机参数的实现 | 第48-49页 |
| ·数据的搜集与处理 | 第49-51页 |
| ·数据的搜集 | 第49-50页 |
| ·数据的预处理 | 第50-51页 |
| ·基于 GA-SVM 的铁路客运量实证分析 | 第51-69页 |
| ·实例准备 | 第51-52页 |
| ·BP 神经网络预测模型 | 第52-57页 |
| ·灰色预测模型 | 第57-61页 |
| ·支持向量机预测模型 | 第61-64页 |
| ·GA-SVM 预测模型 | 第64-68页 |
| ·GA-SVM 预测模型和其他模型预测结果的比较 | 第68-69页 |
| ·本章小结 | 第69-70页 |
| 第五章 总结与展望 | 第70-72页 |
| ·总结 | 第70页 |
| ·研究展望 | 第70-72页 |
| 致谢 | 第72-73页 |
| 参考文献 | 第73-76页 |
| 在学期间发表的论著及取得的科研成果 | 第76页 |