| 摘要 | 第1-5页 |
| ABSTRACT | 第5-8页 |
| 1 绪论 | 第8-14页 |
| ·研究背景 | 第8-10页 |
| ·国内外研究现状 | 第10-12页 |
| ·研究目的及意义 | 第12页 |
| ·本文框架及主要研究内容 | 第12-14页 |
| 2 支持向量机算法研究 | 第14-26页 |
| ·数学规划理论 | 第14-15页 |
| ·非线性规划 | 第14页 |
| ·相关定理 | 第14-15页 |
| ·Wolfe 对偶问题 | 第15页 |
| ·机器学习问题及方法 | 第15-17页 |
| ·统计学习理论 | 第17-19页 |
| ·支持向量机 | 第19-25页 |
| ·SVM 基本原理 | 第19-20页 |
| ·SVM 与神经网络的关系 | 第20-21页 |
| ·SVM 研究进展 | 第21-25页 |
| ·本章小结 | 第25-26页 |
| 3 基于支持向量机的时空二维融合正常状态的流量预测 | 第26-43页 |
| ·支持向量机预测模型建立 | 第26-32页 |
| ·SVM 模型的基本思想 | 第26页 |
| ·标准型SVM | 第26-28页 |
| ·基于支持向量机的回归模型 | 第28-32页 |
| ·误差指标 | 第32页 |
| ·正常状态下交通流量的时空二维融合预测 | 第32-42页 |
| ·交通流量的时间序列预测 | 第33-35页 |
| ·交通流量的空间顺序SVM 预测 | 第35-38页 |
| ·交通流量的时空二维融合 | 第38-40页 |
| ·与多元回归法的预测比较 | 第40-42页 |
| ·本章小结 | 第42-43页 |
| 4 基于支持向量机的时空二维融合异常状态的流量预测 | 第43-62页 |
| ·路段异常判定 | 第43-54页 |
| ·国内外研究历史与现状 | 第44-46页 |
| ·交通异常状态的界定及度量标准 | 第46-49页 |
| ·交通异常状态自动判别算法的性能评价 | 第49-50页 |
| ·常规判别算法分析 | 第50-53页 |
| ·基于数据的交通异常状态判别 | 第53-54页 |
| ·异常状态下交通流量的时空二维融合预测 | 第54-61页 |
| ·异常状态下交通流的时间序列预测 | 第54-56页 |
| ·交通流量的空间顺序SVM 预测 | 第56-58页 |
| ·交通流量的时空二维融合 | 第58-59页 |
| ·与多元回归法的预测比较 | 第59-61页 |
| ·本章小结 | 第61-62页 |
| 5 总结和展望 | 第62-64页 |
| ·论文的主要工作和创新点 | 第62页 |
| ·问题与展望 | 第62-64页 |
| 参考文献 | 第64-66页 |
| 致谢 | 第66-67页 |
| 攻读学位期间所取得的相关科研成果 | 第67页 |