| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7-8页 |
| 1 绪论 | 第12-21页 |
| 1.1 研究背景 | 第12-14页 |
| 1.2 国内外研究现状 | 第14-17页 |
| 1.3 研究目的与意义 | 第17页 |
| 1.4 论文的主要内容及研究方法 | 第17-21页 |
| 1.4.1 研究方法 | 第17-18页 |
| 1.4.2 研究内容与技术路线 | 第18-21页 |
| 2 铁路货运市场预警的基本理论与框架 | 第21-27页 |
| 2.1 铁路货运市场预警的涵义 | 第21页 |
| 2.2 铁路货运市场预警基本流程和内容 | 第21-23页 |
| 2.3 铁路货运预警的基本理论 | 第23-26页 |
| 2.3.1 各类预警方法比较 | 第23-25页 |
| 2.3.2 预警模型的研究应用 | 第25-26页 |
| 2.4 本章小结 | 第26-27页 |
| 3 基于PSR概念框架的铁路货运市场预警指标体系构建 | 第27-43页 |
| 3.1 铁路货运市场的PSR概念框架 | 第27-28页 |
| 3.2 铁路货运市场预警指标体系的建立 | 第28-39页 |
| 3.2.1 指标体系建立的原则 | 第29页 |
| 3.2.2 货运市场影响因素 | 第29-31页 |
| 3.2.3 预警指标体系的构建 | 第31-37页 |
| 3.2.4 指标体系说明 | 第37-39页 |
| 3.3 警情分析方法 | 第39-41页 |
| 3.3.1 各指标权重的确定 | 第39-40页 |
| 3.3.2 预警指数的计算 | 第40页 |
| 3.3.3 铁路货运市场预警警度划分 | 第40-41页 |
| 3.4 本章小结 | 第41-43页 |
| 4 基于SVM与RBF神经网络的铁路货运市场预警方法构建 | 第43-56页 |
| 4.1 基于支持向量机的铁路货运市场预警方法构建 | 第43-51页 |
| 4.1.1 支持向量机算法 | 第43-45页 |
| 4.1.2 支持向量机核函数 | 第45-46页 |
| 4.1.3 基于支持向量机的铁路货运市场预警模型构建 | 第46-49页 |
| 4.1.4 SVM在Matlab中的实现 | 第49-51页 |
| 4.2 基于RBF神经网络的铁路货运市场预警方法构建 | 第51-55页 |
| 4.2.1 RBF神经网络基本原理 | 第51页 |
| 4.2.2 RBF神经网络的设计与求解 | 第51-53页 |
| 4.2.3 模型学习效果检验 | 第53页 |
| 4.2.4 基于RBF神经网络的铁路货运市场预警模型构建 | 第53-54页 |
| 4.2.5 RBF在Matlab中的实现 | 第54-55页 |
| 4.3 本章小结 | 第55-56页 |
| 5 实例分析 | 第56-70页 |
| 5.1 指标权重及预警指数计算 | 第56-61页 |
| 5.1.1 子系统内各指标权重的确定 | 第56-57页 |
| 5.1.2 预警指数的计算及分析 | 第57-61页 |
| 5.2 基于支持向量机的铁路货运市场预警模型实例研究 | 第61-66页 |
| 5.2.1 参数寻优 | 第62-64页 |
| 5.2.2 预测分类结果检验 | 第64-65页 |
| 5.2.3 预警指数预测分类 | 第65-66页 |
| 5.3 基于RBF神经网络的铁路货运市场预警模型实例研究 | 第66-68页 |
| 5.4 两种方法预警结果比较分析 | 第68-69页 |
| 5.5 本章小结 | 第69-70页 |
| 6 结论与展望 | 第70-72页 |
| 参考文献 | 第72-75页 |
| 作者简历及攻读硕士学位期间取得的研究成果 | 第75-77页 |
| 学位论文数据集 | 第77页 |
