| 摘要 | 第1-7页 |
| Abstract | 第7-11页 |
| 第1章 绪论 | 第11-16页 |
| ·交通流短时预测简述 | 第11页 |
| ·交通流短时预测研究目的和意义 | 第11-12页 |
| ·交通流短时预测研究现状 | 第12-14页 |
| ·论文主要内容及章节简介 | 第14-16页 |
| 第2章 基于动力学特性的交通流可预测性分析 | 第16-27页 |
| ·交通流特性 | 第16页 |
| ·交通流可预测性分析 | 第16-18页 |
| ·交通流动力学特性分析 | 第17页 |
| ·交通流可预测性分析流程 | 第17-18页 |
| ·交通流时间序列相空间重构 | 第18-21页 |
| ·混沌理论 | 第18页 |
| ·相空间重构理论 | 第18-20页 |
| ·相空间重构参数的选取方法 | 第20-21页 |
| ·交通流特征量Lyapunov指数 | 第21-23页 |
| ·Lyapunov指数定义 | 第21-22页 |
| ·小数据量法求Lyapunov指数 | 第22-23页 |
| ·交通流数据来源与仿真 | 第23-26页 |
| ·节假日交通流数据 | 第23-24页 |
| ·工作日交通流数据 | 第24页 |
| ·交通流数据仿真 | 第24-26页 |
| ·本章小结 | 第26-27页 |
| 第3章 支持向量机原理分析及预测模型参数选取设计 | 第27-44页 |
| ·支持向量回归原理介绍 | 第27-30页 |
| ·统计学习理论 | 第27页 |
| ·支持向量机理论 | 第27-29页 |
| ·支持向量回归理论 | 第29-30页 |
| ·交通流预测模型比较及适应性分析 | 第30-32页 |
| ·常用交通流短时预测方法面临的问题 | 第30页 |
| ·SVR模型与神经网络模型的对比分析 | 第30-31页 |
| ·SVR用于交通流预短时测的适应性分析 | 第31-32页 |
| ·SVR交通流短时预测模型参数选取分析 | 第32-43页 |
| ·核函数 | 第32页 |
| ·核参数作用分析 | 第32-33页 |
| ·网格法选取SVR模型参数 | 第33-34页 |
| ·PSO算法选取SVR模型参数 | 第34-35页 |
| ·PSO参数选取算法的综合改进 | 第35-38页 |
| ·实验仿真 | 第38-43页 |
| ·本章小结 | 第43-44页 |
| 第4章 基于SVR的交通流短时预测建模及仿真 | 第44-61页 |
| ·SVR交通流预测建模 | 第44-46页 |
| ·基于相空间重构的SVR交通流预测模型 | 第44-45页 |
| ·交通流预测建模流程 | 第45-46页 |
| ·交通流预测性能评价指标及数据预处理 | 第46-48页 |
| ·交通流预测性能评价指标 | 第46-47页 |
| ·交通流数据预处理 | 第47-48页 |
| ·基于SVR的交通流预测实验仿真 | 第48-52页 |
| ·实验仿真环境及数据说明 | 第48页 |
| ·实验仿真及结果分析 | 第48-52页 |
| ·基于改进核函数的SVR的交通流短时预测实验仿真 | 第52-57页 |
| ·改进核函数构建 | 第52-55页 |
| ·实验仿真及结果分析 | 第55-57页 |
| ·基于BP神经网络的交通流短时预测研究 | 第57-60页 |
| ·基于BP神经网络的预测模型 | 第57-58页 |
| ·实验仿真及结果分析 | 第58-60页 |
| ·本章小结 | 第60-61页 |
| 第5章 基于SVR集成的交通流短时预测研究 | 第61-71页 |
| ·集成学习应用于SVR交通流短时预测的分析 | 第61-62页 |
| ·模型子回归器的产生 | 第61-62页 |
| ·模型子回归器的整合 | 第62页 |
| ·基于Bagging方法的SVR集成交通流短时预测仿真 | 第62-66页 |
| ·基于Bagging方法的交通流预测模型研究 | 第62-64页 |
| ·模型实验仿真 | 第64-66页 |
| ·基于Boosting方法的SVR集成交通流预测仿真 | 第66-69页 |
| ·基于Boosting方法的交通流预测模型研究 | 第66-68页 |
| ·模型实验仿真 | 第68-69页 |
| ·SVR集成模型与SVR单一模型性能比较 | 第69-70页 |
| ·本章小结 | 第70-71页 |
| 总结与展望 | 第71-73页 |
| 致谢 | 第73-74页 |
| 参考文献 | 第74-78页 |
| 攻读硕士期间发表的学术论文 | 第78页 |