基于LSSVM的短期交通流预测研究与应用
| 摘要 | 第1-7页 |
| Abstract | 第7-10页 |
| 第一章 绪论 | 第10-13页 |
| ·论文研究背景 | 第10-11页 |
| ·国内外的研究现状 | 第11页 |
| ·研究内容 | 第11-12页 |
| ·本文的组织 | 第12-13页 |
| 第二章 短期交通流分析和SVM模型 | 第13-22页 |
| ·短期交通流分析 | 第13页 |
| ·交通流预测模型要求 | 第13-14页 |
| ·短期交通流预测模型概述 | 第14-16页 |
| ·支持向量机理论基础和原理 | 第16-21页 |
| ·机器学习的表示 | 第16页 |
| ·经验风险最小化 | 第16-17页 |
| ·结构风险最小化 | 第17-18页 |
| ·支持向量回归机 | 第18-19页 |
| ·线性支持向量机 | 第19-21页 |
| ·非线性支持向量机 | 第21页 |
| ·本章小结 | 第21-22页 |
| 第三章 LSSVM理论及算法 | 第22-38页 |
| ·LSSVM的基本概念 | 第22-24页 |
| ·LSSVM的求解方法和算法设计 | 第24-25页 |
| ·算法分析实现及总结 | 第25-28页 |
| ·算法分析和实现 | 第25-27页 |
| ·算法总结 | 第27页 |
| ·交通流特性与算法应用相结合的分析 | 第27-28页 |
| ·算法的改进(在线"剪枝"解法) | 第28-34页 |
| ·建立在线模型的必要性分析 | 第28页 |
| ·在线模型的算法理论 | 第28-30页 |
| ·算法的实现 | 第30-34页 |
| ·与RBF神经网络预测结果的比较 | 第34-36页 |
| ·本章小结 | 第36-38页 |
| 第四章 基于LSSVM的短时交通流预测模型 | 第38-50页 |
| ·交通流预测的流程 | 第38-42页 |
| ·最小二乘支持向量机的预测过程 | 第38-39页 |
| ·实时数据的采集 | 第39页 |
| ·实时数据的清洗 | 第39-41页 |
| ·建立lssvm预测模型 | 第41-42页 |
| ·评价指标 | 第42页 |
| ·实验1结果和分析 | 第42-45页 |
| ·结果分析 | 第42-44页 |
| ·误差处理 | 第44-45页 |
| ·实验2结果和分析 | 第45-49页 |
| ·结果分析 | 第46-48页 |
| ·误差分析和总结 | 第48-49页 |
| ·本章小结 | 第49-50页 |
| 总结和展望 | 第50-52页 |
| 致谢 | 第52-53页 |
| 参考文献 | 第53-57页 |
| 附录 | 第57-61页 |
| 攻读硕士学位期间发表的论文 | 第61页 |
