| 摘要 | 第4-5页 |
| abstract | 第5页 |
| 专用术语注释表 | 第9-10页 |
| 第一章 绪论 | 第10-15页 |
| 1.1 研究背景和意义 | 第10页 |
| 1.2 国内外研究及应用现状 | 第10-12页 |
| 1.3 本文的研究内容 | 第12-13页 |
| 1.4 本文的组织结构 | 第13-15页 |
| 第二章 相关理论与技术介绍 | 第15-29页 |
| 2.1 交通流状态基本理论 | 第15-17页 |
| 2.1.1 交通流的主要特征参数 | 第15-16页 |
| 2.1.2 交通流的特性及影响因素 | 第16-17页 |
| 2.1.3 交通流预测的基本流程 | 第17页 |
| 2.2 支持向量机介绍 | 第17-23页 |
| 2.2.1 统计学习理论 | 第18-19页 |
| 2.2.2 支持向量机理论 | 第19-20页 |
| 2.2.3 支持向量机回归 | 第20-23页 |
| 2.2.4 支持向量机特点 | 第23页 |
| 2.3 BP神经网络介绍 | 第23-28页 |
| 2.3.1 BP神经网络原理 | 第24-25页 |
| 2.3.2 神经网络的学习方式 | 第25-26页 |
| 2.3.3 BP神经网络算法的实现步骤及流程 | 第26-27页 |
| 2.3.4 BP神经网络的特点 | 第27-28页 |
| 2.4 本章小结 | 第28-29页 |
| 第三章 交通流数据预处理研究 | 第29-41页 |
| 3.1 噪声数据预处理模型 | 第30-35页 |
| 3.1.1 滑动平均模型(MA) | 第30-31页 |
| 3.1.2 主成分分析(PCA) | 第31-34页 |
| 3.1.3 小波分析 | 第34-35页 |
| 3.2 问题数据预处理模型 | 第35-36页 |
| 3.3 数据缺失预处理 | 第36-37页 |
| 3.4 提出的数据预处理方法 | 第37-40页 |
| 3.5 本章小结 | 第40-41页 |
| 第四章 基于SVM和BP神经网络的组合算法 | 第41-49页 |
| 4.1 组合预测 | 第41-43页 |
| 4.1.1 组合预测概念 | 第41-42页 |
| 4.1.2 组合预测原理 | 第42页 |
| 4.1.3 组合模型的建立 | 第42-43页 |
| 4.2 基于SVM和BP神经网络组合模型的短时交通流预测 | 第43-44页 |
| 4.3 指标介绍 | 第44-45页 |
| 4.4 结果对比与分析 | 第45-48页 |
| 4.5 本章小结 | 第48-49页 |
| 第五章 短时交通流预测系统设计与实现 | 第49-57页 |
| 5.1 系统设计目标 | 第49页 |
| 5.2 系统设计功能要求 | 第49-50页 |
| 5.3 交通流预测系统总体框架 | 第50页 |
| 5.4 系统功能模块划分 | 第50-52页 |
| 5.4.1 服务器功能 | 第50-51页 |
| 5.4.2 客户端功能 | 第51-52页 |
| 5.5 交通流预测系统的实现 | 第52-56页 |
| 5.5.1 硬件环境 | 第52页 |
| 5.5.2 软件环境 | 第52页 |
| 5.5.3 服务器端实现 | 第52-54页 |
| 5.5.4 客户端实现 | 第54-56页 |
| 5.6 本章小结 | 第56-57页 |
| 第六章 总结与展望 | 第57-59页 |
| 6.1 总结 | 第57页 |
| 6.2 展望 | 第57-59页 |
| 参考文献 | 第59-62页 |
| 附录3 攻读硕士学位期间申请的专利 | 第62-63页 |
| 致谢 | 第63页 |