| 摘要 | 第5-6页 |
| abstract | 第6页 |
| 第一章 引言 | 第10-16页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.2 短时交通流预测研究现状 | 第11-13页 |
| 1.3 本文研究内容及创新点 | 第13-14页 |
| 1.3.1 本文的研究内容 | 第13-14页 |
| 1.3.2 本文的创新点 | 第14页 |
| 1.4 本文组织架构 | 第14-15页 |
| 1.5 本章小结 | 第15-16页 |
| 第二章 基于时空相关性的路网短时交通流预测基本理论 | 第16-21页 |
| 2.1 交通流特性及分析 | 第16-17页 |
| 2.2 基于时间相关性和空间相关性的短时交通流预测方法 | 第17-18页 |
| 2.3 同时考虑时空相关性的短时交通流预测 | 第18-19页 |
| 2.4 仿真数据描述和预处理 | 第19-20页 |
| 2.5 本章小结 | 第20-21页 |
| 第三章 基于岭回归和LASSO的路网短时交通流预测 | 第21-28页 |
| 3.1 岭回归基础理论 | 第21-22页 |
| 3.2 LASSO回归基础理论 | 第22-23页 |
| 3.3 基于岭回归和LASSO的路网短时交通流预测仿真 | 第23-27页 |
| 3.3.1 仿真设计 | 第23-24页 |
| 3.3.2 仿真结果 | 第24-27页 |
| 3.4 本章小结 | 第27-28页 |
| 第四章 基于最小二乘支持向量回归的路网短时交通流预测 | 第28-37页 |
| 4.1 最小二乘支持向量回归(LSSVR)基础理论 | 第28-32页 |
| 4.1.1 统计学习理论 | 第28-29页 |
| 4.1.2 最小二乘支持向量回归模型 | 第29-31页 |
| 4.1.3 核函数 | 第31-32页 |
| 4.2 LSSVR的挑战 | 第32-34页 |
| 4.3 基于LSSVR的路网短时交通流预测仿真及分析 | 第34-36页 |
| 4.4 本章小结 | 第36-37页 |
| 第五章 基于SHGA-LSSVR的路网短时交通流预测 | 第37-50页 |
| 5.1 传统遗传算法 | 第37-43页 |
| 5.1.1 遗传算法的流程 | 第37-38页 |
| 5.1.2 遗传算法的实现 | 第38-43页 |
| 5.2 改进型遗传算法SHGA | 第43-46页 |
| 5.3 SHGA性能分析 | 第46-48页 |
| 5.4 基于SHGA-LSSVR的路网短时交通流预测框架 | 第48-49页 |
| 5.5 本章小结 | 第49-50页 |
| 第六章 基于SHGA-LSSVR的交通流预测仿真 | 第50-61页 |
| 6.1 仿真结果及预测误差分析 | 第50-57页 |
| 6.2 计算时间分析 | 第57页 |
| 6.3 时空变量子集的解释 | 第57-59页 |
| 6.4 本章小结 | 第59-61页 |
| 第七章 总结与展望 | 第61-62页 |
| 参考文献 | 第62-67页 |
| 致谢 | 第67-68页 |
| 硕士期间参加的科研项目、发表的论文 | 第68页 |
