| 摘要 | 第1-4页 |
| Abstract | 第4-8页 |
| 第一章 绪论 | 第8-14页 |
| ·论文研究背景及意义 | 第8-9页 |
| ·短时交通流预测研究现状 | 第9-12页 |
| ·论文主要工作及结构安排 | 第12-13页 |
| ·本章小结 | 第13-14页 |
| 第二章 数据挖掘相关概念及短时交通流预测综述 | 第14-30页 |
| ·数据挖掘相关概念介绍 | 第14-15页 |
| ·数据挖掘概念 | 第14-15页 |
| ·数据挖掘的模式分类 | 第15页 |
| ·时间序列模型相关概念及主要算法 | 第15-24页 |
| ·时间序列模型 | 第15-17页 |
| ·时间序列挖掘的主要算法 | 第17-24页 |
| ·支持向量机相关原理 | 第24-27页 |
| ·统计学习理论 | 第24-26页 |
| ·支持向量机理论 | 第26-27页 |
| ·交通流预测模型要求及评价指标 | 第27-28页 |
| ·预测模型要求 | 第27页 |
| ·模型评价指标 | 第27-28页 |
| ·本章小结 | 第28-30页 |
| 第三章 数据预处理技术研究及其在交通流数据中的应用 | 第30-38页 |
| ·数据挖掘中数据预处理的主要方法 | 第30-32页 |
| ·数据清洗 | 第30-31页 |
| ·数据集成 | 第31页 |
| ·数据变换 | 第31页 |
| ·数据归约 | 第31-32页 |
| ·交通流数据的特点 | 第32页 |
| ·交通流数据的预处理 | 第32-36页 |
| ·交通流原始数据的选取 | 第32-34页 |
| ·交通流原始数据的修补 | 第34-36页 |
| ·本章小结 | 第36-38页 |
| 第四章 时间序列模型和支持向量机在短时交通流预测中的应用 | 第38-54页 |
| ·三种时间序列模型算法在短时交通流预测中的应用 | 第38-43页 |
| ·移动平均法（Moving Average，MA） | 第38-40页 |
| ·指数平滑法（Exponential Smoothing，ES） | 第40-42页 |
| ·ARMA 模型 | 第42-43页 |
| ·支持向量机在短时交通流预测中的应用 | 第43-45页 |
| ·四种模型算法预测结果统计分析 | 第45-49页 |
| ·二次指数平滑改进算法 | 第49-52页 |
| ·二次指数平滑法参数改进——动态平滑参数 | 第49-51页 |
| ·改进二次指数平滑法在短时交通流预测中的应用与误差分析 | 第51-52页 |
| ·本章小结 | 第52-54页 |
| 第五章 总结与展望 | 第54-56页 |
| ·总结 | 第54-55页 |
| ·展望 | 第55-56页 |
| 致谢 | 第56-58页 |
| 参考文献 | 第58-62页 |
| 作者攻读硕士学位期间的研究成果 | 第62-63页 |
