南昌市智能交通流量预测算法研究
| 摘要 | 第3-4页 |
| Abstract | 第4页 |
| 第1章 绪论 | 第7-11页 |
| 1.1 课题来源、目的和意义 | 第7页 |
| 1.2 国内外研究现状 | 第7-9页 |
| 1.3 论文的研究内容及结构安排 | 第9-11页 |
| 第2章 相关技术分析 | 第11-19页 |
| 2.1 智能交通 | 第11页 |
| 2.2 数据挖掘 | 第11-14页 |
| 2.3 时间序列流量分析 | 第14-16页 |
| 2.4 聚类算法 | 第16-17页 |
| 2.5 最小乘支持向量机 | 第17-18页 |
| 2.6 本章小结 | 第18-19页 |
| 第3章 数据预处理及应用 | 第19-26页 |
| 3.1 数据预处理的主要方法 | 第19-21页 |
| 3.2 交通流数据的特点 | 第21-22页 |
| 3.3 交通流数据的处理 | 第22-25页 |
| 3.4 本章小结 | 第25-26页 |
| 第4章K-means聚类与LSSVM算法 | 第26-35页 |
| 4.1 K-means算法简介 | 第26-27页 |
| 4.2 K-means算法原理 | 第27页 |
| 4.3 K-means算法的算法描述 | 第27-28页 |
| 4.4 LSSVM算法简介 | 第28-31页 |
| 4.5 LSSVM具体方法 | 第31-33页 |
| 4.6 LSSVM算法与交通流分析 | 第33-34页 |
| 4.7 本章小结 | 第34-35页 |
| 第5章 预测模型的建立及实验 | 第35-43页 |
| 5.1 时间段分割的流量聚类 | 第35-37页 |
| 5.2 时间段分割具体实验 | 第37-38页 |
| 5.3 最小乘支持向量机与聚类算法结合 | 第38-41页 |
| 5.4 两种建模结果比较分析 | 第41-42页 |
| 5.5 本章小结 | 第42-43页 |
| 第6章 总结与展望 | 第43-45页 |
| 6.1 全文总结 | 第43页 |
| 6.2 下一步工作的展望 | 第43-45页 |
| 致谢 | 第45-46页 |
| 参考文献 | 第46-48页 |
