长江综合运输通道中公路运量预测研究
| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第9-17页 |
| 1.1 研究的背景 | 第9-10页 |
| 1.2 研究的意义 | 第10-11页 |
| 1.3 预测方法介绍 | 第11-12页 |
| 1.3.1 传统的预测方法 | 第11页 |
| 1.3.2 新预测理论的文献综述 | 第11-12页 |
| 1.4 论文的主要研究方法 | 第12-13页 |
| 1.5 论文的主要内容及结构图 | 第13-14页 |
| 1.5.1 论文的主要研究内容 | 第13-14页 |
| 1.5.2 论文的研究结构图 | 第14页 |
| 1.6 长江综合运输通道 | 第14-16页 |
| 1.7 本章小结 | 第16-17页 |
| 第二章 长江运输通道运输需求增加对公路运量的影响 | 第17-30页 |
| 2.1 公路运输发展现状 | 第17-20页 |
| 2.1.1 国外公路运输发展现状 | 第17页 |
| 2.1.2 国内公路运输发展现状 | 第17-20页 |
| 2.2 长江综合运输通道的发展建设 | 第20-23页 |
| 2.2.1 长江经济带的形成 | 第20-21页 |
| 2.2.2 长江综合运输通道的经济发展现状 | 第21-23页 |
| 2.3 影响长江综合运输通道中公路运量的因素 | 第23-27页 |
| 2.3.1 经济结构的影响机理 | 第24页 |
| 2.3.2 产业转移的影响过程 | 第24-27页 |
| 2.4 选取影响公路运量的因素 | 第27-29页 |
| 2.4.1 选取影响因素的标准 | 第27-28页 |
| 2.4.2 确定影响因素 | 第28-29页 |
| 2.5 本章小结 | 第29-30页 |
| 第三章 PSO-SVM模型的理论基础及模型构建 | 第30-42页 |
| 3.1 BP神经网络和灰色系统预测模型 | 第30-31页 |
| 3.1.1 BP神经网络模型 | 第30-31页 |
| 3.1.2 灰色系统模型 | 第31页 |
| 3.2 支持向量机基本原理 | 第31-38页 |
| 3.2.1 统计学习理论 | 第31-33页 |
| 3.2.2 支持向量机 | 第33-36页 |
| 3.2.3 非线性支持向量机 | 第36-37页 |
| 3.2.4 单一SVM预测模型 | 第37-38页 |
| 3.3 PSO基本原理 | 第38-39页 |
| 3.3.1 粒子群算法概述 | 第38页 |
| 3.3.2 粒子群算法的数学表示 | 第38-39页 |
| 3.4 公路货运量的PSO-SVM预测模型 | 第39-41页 |
| 3.5 本章小结 | 第41-42页 |
| 第四章 长江运输通道中公路货运量预测 | 第42-58页 |
| 4.1 重庆市样本数据的选取及处理 | 第42-47页 |
| 4.1.1 样本选取及其处理 | 第42-46页 |
| 4.1.2 基于PSO-SVM模型的预测 | 第46-47页 |
| 4.2 武汉样本选取及预测 | 第47-51页 |
| 4.2.1 武汉样本选取 | 第48-51页 |
| 4.2.2 基于PSO-SVM模型的预测 | 第51页 |
| 4.3 上海市样本选取及预测 | 第51-55页 |
| 4.3.1 样本选取 | 第52-54页 |
| 4.3.2 基于PSO-SVM模型的预测 | 第54-55页 |
| 4.4 长江综合运输通道中总的公路货运量预测 | 第55-57页 |
| 4.4.1 大通道中公路货运量的预测 | 第55-57页 |
| 4.4.2 长江综合运输大通道的发展建议 | 第57页 |
| 4.5 本章小结 | 第57-58页 |
| 第五章 总结与展望 | 第58-60页 |
| 5.1 论文总结 | 第58页 |
| 5.2 研究展望 | 第58-60页 |
| 致谢 | 第60-61页 |
| 参考文献 | 第61-64页 |
| 攻读学位期间取得的研究成果 | 第64页 |
