基于AOSVR的实时交通信息预测算法研究

摘要	第1-4页
Abstract	第4-7页
第一章 绪论	第7-15页
·课题的提出及研究意义	第7-8页
·短时交通流预测研究现状与发展趋势	第8-13页
·国外研究现状	第8-11页
·国内研究现状	第11-12页
·研究和发展趋势	第12-13页
·主要研究内容	第13-15页
第二章 统计学习理论与支持向量机	第15-22页
·统计学习理论	第15-16页
·机器学习	第15页
·统计学习理论的发展	第15-16页
·统计学习理论的研究内容	第16页
·支持向量机	第16-22页
·支持向量机的发展与研究现状	第17页
·支持向量机方法介绍	第17-20页
·支持向量机在交通流预测领域的应用	第20-22页
第三章 精确在线支持向量回归算法(AOSVR)	第22-28页
·用于回归的支持向量机学习算法	第22-25页
·分解算法	第22-23页
·序贯最小优化（SMO）算法	第23-24页
·在线学习算法	第24-25页
·精确在线支持向量机回归（AOSVR）	第25-28页
·支持向量机回归算法	第25-26页
·AOSVR 的基本思想	第26-28页
第四章 基于 AOSVR 的实时交通信息预测模型	第28-42页
·AOSVR 核函数缓存(Caching) 方法	第28-30页
·改进的AOSVR 算法	第30-32页
·递增回归算法	第30-31页
·递减回归算法	第31-32页
·基于云模型的核函数简化计算方法	第32-36页
·核函数	第32页
·云模型的基本概念	第32-34页
·基于云模型的Sigmoid 核函数	第34-36页
·基于AOSVR 的实时交通信息预测模型	第36-38页
·实时预测的一般步骤	第36页
·基于AOSVR 的实时交通信息预测	第36-38页
·模型应用	第38-42页
·AOSVR 与ISMO 预测算法的比较	第38-39页
·改进AOSVR 与AOSVR 预测算法的比较	第39-40页
·基于不同核函数的预测模型分析	第40页
·结论	第40-42页
第五章 总结与展望	第42-44页
·全文总结	第42页
·展望	第42-44页
致谢	第44-45页
参考文献	第45-51页
作者在读硕士期间参加课题和发表论文	第51页