| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 符号对照表 | 第11-12页 |
| 缩略语对照表 | 第12-15页 |
| 第一章 绪论 | 第15-21页 |
| 1.1 研究背景与意义 | 第15-16页 |
| 1.2 短期交通流预测国内外研究状况 | 第16-18页 |
| 1.3 研究内容 | 第18页 |
| 1.4 论文章节安排 | 第18-21页 |
| 第二章 短期交通流预测理论 | 第21-33页 |
| 2.1 时间序列 | 第21-22页 |
| 2.2 时间序列与随机过程的关系 | 第22-24页 |
| 2.3 短期交通流预测模型 | 第24-28页 |
| 2.3.1 季节性差分自回归模型 | 第24-25页 |
| 2.3.2 支持向量回归机 | 第25-27页 |
| 2.3.3 人工神经网络 | 第27-28页 |
| 2.4 预测模式 | 第28-29页 |
| 2.5 样本数据介绍与分析 | 第29-30页 |
| 2.6 短期交通流预测性能评价指标 | 第30-31页 |
| 2.7 本章小结 | 第31-33页 |
| 第三章 基于交通流平稳特性与自相关特性的数据预处理架构 | 第33-43页 |
| 3.1 交通流平稳特性与自相关特性分析 | 第33-37页 |
| 3.1.1 交通流平稳特性 | 第33-35页 |
| 3.1.2 交通流自相关特性 | 第35-37页 |
| 3.2 基于交通流平稳特性拆分交通流成分 | 第37-39页 |
| 3.3 基于交通流自相关特性的非相关时间滞后变量滤除方法 | 第39-40页 |
| 3.4 本章小结 | 第40-43页 |
| 第四章 基于贝叶斯决策定理的混合预测模型 | 第43-49页 |
| 4.1 混合模型 | 第43-44页 |
| 4.2 贝叶斯决策定理 | 第44-45页 |
| 4.3 贝叶斯混合算法 | 第45-47页 |
| 4.4 本章小结 | 第47-49页 |
| 第五章 仿真结果与数值分析 | 第49-57页 |
| 5.1 仿真预备工作 | 第50-51页 |
| 5.2 SARIMA改进模型性能分析 | 第51-53页 |
| 5.3 SVR和ANN的改进模型性能分析 | 第53-55页 |
| 5.4 仿真结果讨论 | 第55-57页 |
| 第六章 总结与展望 | 第57-59页 |
| 参考文献 | 第59-63页 |
| 致谢 | 第63-65页 |
| 作者简介 | 第65-67页 |