| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第9-15页 |
| 1.1 选题背景和研究意义 | 第9页 |
| 1.2 国内外研究现状 | 第9-13页 |
| 1.2.1 统计理论方法 | 第10-11页 |
| 1.2.2 神经网络方法 | 第11-12页 |
| 1.2.3 非线性理论方法 | 第12-13页 |
| 1.2.4 基于新兴技术的方法 | 第13页 |
| 1.3 本文主要研究内容及技术路线 | 第13-14页 |
| 1.4 论文组织结构 | 第14-15页 |
| 第二章 相关基础理论与技术背景 | 第15-25页 |
| 2.1 时间序列预测简述 | 第15页 |
| 2.2 回归预测简述 | 第15-16页 |
| 2.3 交通流预测概述 | 第16-19页 |
| 2.3.1 交通流基本概念 | 第16-18页 |
| 2.3.2 短时交通流预测的方法 | 第18-19页 |
| 2.4 支持向量机介绍 | 第19-24页 |
| 2.4.1 线性可分支持向量机 | 第20页 |
| 2.4.2 间隔最大化 | 第20-21页 |
| 2.4.3 支持向量和间隔边界 | 第21-22页 |
| 2.4.4 非线性支持向量机 | 第22-23页 |
| 2.4.5 支持向量机模型求解过程 | 第23-24页 |
| 2.5 本章小结 | 第24-25页 |
| 第三章 基于支持向量机的多断面相关性区间预测 | 第25-39页 |
| 3.1 基于支持向量机的多断面相关性区间预测关键概念及方法 | 第25-28页 |
| 3.1.1 历史样本数据处理 | 第25页 |
| 3.1.2 数据标准化 | 第25-26页 |
| 3.1.3 多断面相关性分析 | 第26-27页 |
| 3.1.4 区间预测 | 第27-28页 |
| 3.2 建模过程及算法步骤 | 第28-31页 |
| 3.2.1 支持向量机回归模型参数选取 | 第28-29页 |
| 3.2.2 交通流数据多断面处理 | 第29页 |
| 3.2.3 支持向量机预测点的置信区间计算 | 第29-30页 |
| 3.2.4 算法步骤 | 第30-31页 |
| 3.3 实验验证及结果分析 | 第31-38页 |
| 3.3.1 单断面与多断面对比实验 | 第32-34页 |
| 3.3.2 多断面区间预测实验 | 第34-38页 |
| 3.4 本章小结 | 第38-39页 |
| 第四章 基于机器学习的多断面相关性区间预测 | 第39-58页 |
| 4.1 机器学习理论概述 | 第39-42页 |
| 4.1.1 机器学习发展过程 | 第39-41页 |
| 4.1.2 归纳学习 | 第41页 |
| 4.1.3 类比学习概念介绍 | 第41页 |
| 4.1.4 计算智能概念介绍 | 第41-42页 |
| 4.2 BOOSTING算法和BAGGING算法概述 | 第42-47页 |
| 4.2.1 Bagging算法概述 | 第42-44页 |
| 4.2.2 Boosting算法概述 | 第44-45页 |
| 4.2.3 AdaBoost算法概述 | 第45-47页 |
| 4.3 BOOSTING方法预测多模型建立 | 第47-49页 |
| 4.4 实验结果及分析 | 第49-57页 |
| 4.4.1 基于AdaBoost的实验结果及分析 | 第49-56页 |
| 4.4.2 不同抽样容量实验结果及分析 | 第56-57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 总结 | 第58页 |
| 5.2 展望 | 第58-60页 |
| 参考文献 | 第60-65页 |
| 致谢 | 第65-66页 |
| 攻读硕士学位期间发表论文 | 第66页 |