| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第10-20页 |
| 1.1 交通流预测研究背景及意义 | 第10-12页 |
| 1.1.1 交通流预测研究背景 | 第10-11页 |
| 1.1.2 交通流预测研究意义 | 第11-12页 |
| 1.2 交通流预测的基本概念 | 第12-13页 |
| 1.2.1 交通流预测的定义及分类 | 第12-13页 |
| 1.2.2 交通流的预测流程 | 第13页 |
| 1.3 交通流预测的国内外研究现状 | 第13-18页 |
| 1.3.1 国外研究现状 | 第13-15页 |
| 1.3.2 国内研究现状 | 第15-18页 |
| 1.4 论文主要内容及结构安排 | 第18-20页 |
| 第二章 交通流量的特性及影响因素 | 第20-30页 |
| 2.1 交通流的特性分析 | 第20-23页 |
| 2.1.1 交通流的主要特征参数 | 第20-22页 |
| 2.1.2 交通流的变化特性及分析 | 第22-23页 |
| 2.2 影响交通流的主要因素 | 第23-25页 |
| 2.3 交通流数据的来源及仿真 | 第25-28页 |
| 2.3.1 交通流数据来源 | 第25页 |
| 2.3.2 交通流数据仿真 | 第25-28页 |
| 2.4 本章小结 | 第28-30页 |
| 第三章 基于RBF神经网络的短时交通流预测 | 第30-42页 |
| 3.1 RBF神经网络的基本原理 | 第30-34页 |
| 3.1.1 RBF神经网络结构 | 第30-32页 |
| 3.1.2 RBF神经网络数学基础 | 第32-34页 |
| 3.2 神经网络的的学习方式及常用的学习方法 | 第34-39页 |
| 3.2.1 神经网络的学习方式 | 第34-36页 |
| 3.2.2 常用的神经网络学习方法 | 第36-39页 |
| 3.3 基于RBF神经网络的短时交通流预测仿真及结果分析 | 第39-41页 |
| 3.4 本章小结 | 第41-42页 |
| 第四章 基于支持向量机的短时交通流预测 | 第42-54页 |
| 4.1 支持向量机的基本原理 | 第42-49页 |
| 4.1.1 统计学习理论 | 第42-43页 |
| 4.1.2 支持向量机理论 | 第43-44页 |
| 4.1.3 支持向量机回归 | 第44-49页 |
| 4.2 支持向量机的参数设置 | 第49-50页 |
| 4.2.1 支持向量机的参数 | 第49-50页 |
| 4.2.2 支持向量机的参数选择 | 第50页 |
| 4.3 基于支持向量机的短时交通流预测仿真及结果分析 | 第50-52页 |
| 4.4 本章小结 | 第52-54页 |
| 第五章 基于神经网络和支持向量机的短时交通流组合预测 | 第54-64页 |
| 5.1 组合预测 | 第54-58页 |
| 5.1.1 组合预测的概念 | 第54-55页 |
| 5.1.2 组合预测的原理 | 第55页 |
| 5.1.3 组合预测模型的建立 | 第55-58页 |
| 5.2 基于基于神经网络和支持向量机的短时交通流组合预测 | 第58-60页 |
| 5.2.1 利用最优调权规则调整权值 | 第58-59页 |
| 5.2.2 利用支持向量机调整权值 | 第59-60页 |
| 5.3 组合预测仿真及结果对比分析 | 第60-64页 |
| 第六章 总结与展望 | 第64-66页 |
| 6.1 总结 | 第64页 |
| 6.2 展望 | 第64-66页 |
| 致谢 | 第66-68页 |
| 参考文献 | 第68-74页 |
| 附录A 攻读硕士期间发表的论文 | 第74页 |
| 附录B 攻读硕士期间获得的软件著作权 | 第74页 |
| 附录C 攻读硕士期间获得的专利 | 第74页 |
