| 摘要 | 第2-3页 |
| Abstract | 第3页 |
| 第一章 绪论 | 第6-12页 |
| 1.1 研究背景及意义 | 第6页 |
| 1.2 交通流量预测研究 | 第6-9页 |
| 1.2.1 交通流量预测特点 | 第6-7页 |
| 1.2.2 交通流量预测分类 | 第7页 |
| 1.2.3 预测方法 | 第7-9页 |
| 1.3 国内外研究动态 | 第9-10页 |
| 1.3.1 国内研究现状 | 第9页 |
| 1.3.2 国外研究现状 | 第9-10页 |
| 1.4 本文研究内容及章节安排 | 第10-12页 |
| 1.4.1 论文主要研究工作 | 第10-11页 |
| 1.4.2 论文章节安排 | 第11-12页 |
| 第二章 支持向量机理论 | 第12-27页 |
| 2.1 机器学习问题 | 第12-15页 |
| 2.1.1 机器学习问题系统框架 | 第12-13页 |
| 2.1.2 机器学习问题的表述 | 第13-14页 |
| 2.1.3 经验风险最小化原则 | 第14页 |
| 2.1.4 复杂性和推广能力 | 第14-15页 |
| 2.2 统计学习理论的主要内容 | 第15-17页 |
| 2.2.1 函数集的VC维 | 第15页 |
| 2.2.2 推广性界 | 第15-16页 |
| 2.2.3 结构风险最小化原则 | 第16-17页 |
| 2.3 支持向量机 | 第17-24页 |
| 2.3.1 SVM基本思想 | 第17-18页 |
| 2.3.2 SVM分类问题 | 第18-21页 |
| 2.3.3 SVM回归问题 | 第21-24页 |
| 2.3.4 核函数 | 第24页 |
| 2.4 最小二乘支持向量机 | 第24-27页 |
| 第三章 基于SVR及LS-SVR的短时交通流预测 | 第27-43页 |
| 3.1 短时交通流量预测概述 | 第27-28页 |
| 3.2 SVM参数研究 | 第28-29页 |
| 3.2.1 核函数选择 | 第28页 |
| 3.2.2 C&g选择 | 第28-29页 |
| 3.3 基于SVR的短时交通流预测模型仿真及分析 | 第29-37页 |
| 3.3.1 输入变量选择 | 第29-31页 |
| 3.3.2 核函数及模型参数选择 | 第31页 |
| 3.3.3 模型评价指标 | 第31-32页 |
| 3.3.4 计算结果 | 第32-37页 |
| 3.4 基于LS-SVR的短时交通流预测模型仿真及分析 | 第37-43页 |
| 3.4.1 输入数据选择 | 第37页 |
| 3.4.2 LS-SVR参数选择 | 第37-38页 |
| 3.4.3 计算结果 | 第38-43页 |
| 第四章 基于AFSA-LS-SVR的短时交通流预测 | 第43-59页 |
| 4.1 鱼群算法概述 | 第43-49页 |
| 4.1.1 基本原理 | 第43-44页 |
| 4.1.2 行为描述 | 第44-47页 |
| 4.1.3 算法收敛性分析 | 第47页 |
| 4.1.4 各参数对收敛性能的影响分析 | 第47-49页 |
| 4.2 人工鱼群算法改进 | 第49-52页 |
| 4.2.1 算法的改进机理 | 第49页 |
| 4.2.2 对人工鱼行为的改进 | 第49-51页 |
| 4.2.3 改进人工鱼群算法的具体流程 | 第51-52页 |
| 4.3 基于AFSA-LS-SVR的短时交通流预测模型仿真及分析 | 第52-57页 |
| 4.3.1 输入数据/核函数类型选择 | 第52页 |
| 4.3.2 改进鱼群算法进行最小二乘支持向量机参数优化的步骤 | 第52-53页 |
| 4.3.3 计算结果 | 第53-57页 |
| 4.4 SVR、LS-SVR、AFSA-LS-SVR预测模型结果比较 | 第57-59页 |
| 第五章 总结与展望 | 第59-61页 |
| 5.1 本文工作总结 | 第59页 |
| 5.2 展望 | 第59-61页 |
| 参考文献 | 第61-64页 |
| 附录 | 第64-70页 |
| 致谢 | 第70-71页 |
| 攻读硕士学位期间发表的学术论文 | 第71-72页 |
