基于SVM的机动车流量数据分析与预测模型
| 摘要 | 第1-6页 |
| ABSTRACT | 第6-10页 |
| 第1章 引言 | 第10-14页 |
| ·研究背景 | 第10-11页 |
| ·当前国内外研究现状 | 第11-12页 |
| ·研究的意义及其必要性 | 第12-13页 |
| ·本文主要研究方向及内容 | 第13-14页 |
| 第2章 支持向量机的学习理论 | 第14-38页 |
| ·机器学习 | 第14-18页 |
| ·机器学习问题的表示 | 第15-17页 |
| ·经验风险最小化 | 第17页 |
| ·复杂性与推广能力 | 第17-18页 |
| ·统计学习理论 | 第18-25页 |
| ·函数集的VC维 | 第19-20页 |
| ·利用验证来界定VC维 | 第20页 |
| ·推广能力的界 | 第20-21页 |
| ·模型估计 | 第21-24页 |
| ·模型选择 | 第24-25页 |
| ·支持向量机工作原理 | 第25-34页 |
| ·支持向量机多分类问题、核函数和损失函数介绍 | 第26-29页 |
| ·支持向量机回归(SVR) | 第29-34页 |
| ·SVM与神经网络的比较 | 第34-36页 |
| ·本章小结 | 第36-38页 |
| 第3章 混沌时间序列的预测 | 第38-50页 |
| ·混沌时间序列分析 | 第38-40页 |
| ·混沌的基本概念 | 第38-39页 |
| ·非线性时间序列的相空间嵌入 | 第39-40页 |
| ·基于SVM的混沌时间序列的多步预测 | 第40-45页 |
| ·模型和数据的产生 | 第41页 |
| ·最小嵌入维数的确定 | 第41页 |
| ·评价指标 | 第41-42页 |
| ·试验结果 | 第42-45页 |
| ·基于SVM的混沌时间序列的去噪预测 | 第45-46页 |
| ·模型与数据的产生 | 第45页 |
| ·预测模型的参数及结构 | 第45页 |
| ·仿真实验结果 | 第45-46页 |
| ·计算机仿真 | 第46-48页 |
| ·仿真的意义及目的 | 第47-48页 |
| ·计算机仿真的步骤和仿真技术 | 第48页 |
| ·本章小结 | 第48-50页 |
| 第4章 基于SVM的车流量预测方法 | 第50-66页 |
| ·常用预测方法 | 第50-53页 |
| ·时间序列法 | 第50-51页 |
| ·回归分析法 | 第51页 |
| ·多层递阶回归分析法 | 第51-52页 |
| ·神经网络方法 | 第52-53页 |
| ·车流量预测分析 | 第53-57页 |
| ·车流量预测基本原理 | 第53-54页 |
| ·车流量预测的基本过程 | 第54-56页 |
| ·车流量预测的误差分析 | 第56-57页 |
| ·基于支持向量机的车流量预测 | 第57-60页 |
| ·支持向量机网络模型 | 第57-58页 |
| ·RBF核函数的工作原理 | 第58-59页 |
| ·基于SVM的车流量预测模型 | 第59-60页 |
| ·车流量预测试验 | 第60-64页 |
| ·影响因子及训练数据集的构建 | 第61-62页 |
| ·SVM算法的参数分析 | 第62页 |
| ·评价指标 | 第62页 |
| ·试验结果分析 | 第62-64页 |
| ·本章小结 | 第64-66页 |
| 结论 | 第66-68页 |
| 参考文献 | 第68-72页 |
| 致谢 | 第72页 |
