哈工大GCT碩士開(kāi)題范本

1、哈爾濱工業(yè)大學(xué)碩士學(xué)位論文開(kāi)題報(bào)告題 目：基于支持向量機(jī)的公路客運(yùn)供給預(yù)測(cè)研究院 （系）交通科學(xué)與工程學(xué)院學(xué)科 交通運(yùn)輸規(guī)劃與管理導(dǎo)師張亞平研究生常翠平學(xué)號(hào)10S032039開(kāi)題報(bào)告日期2011年9月25日基于支持向量機(jī)的公路客運(yùn)供給預(yù)測(cè)研究1 課題來(lái)源及研究目的意義課題來(lái)源本課題來(lái)源于黑龍江省交通廳科技項(xiàng)目 “黑龍江省公路客運(yùn)供需均衡與客運(yùn) 班線運(yùn)營(yíng)模式研究”。研究目的意義 公路旅客運(yùn)輸作為國(guó)民經(jīng)濟(jì)中的重要物質(zhì)生產(chǎn)部門(mén)，有機(jī)聯(lián)系了社會(huì)生產(chǎn)、 分配、交換與消費(fèi)等各個(gè)環(huán)節(jié)，有力保障了社會(huì)經(jīng)濟(jì)活動(dòng)的正常進(jìn)行和發(fā)展。公路客運(yùn)供給是指在一個(gè)地區(qū)， 公路客運(yùn)企業(yè)在特定的時(shí)間， 在各種可能的 運(yùn)輸價(jià)格水平

2、上， 愿意并且能夠提供的客運(yùn)服務(wù)。 這里存在兩個(gè)須同時(shí)具備且相 互關(guān)聯(lián)的條件： 一是公路客運(yùn)企業(yè)有提供運(yùn)輸服務(wù)的愿望； 二是客運(yùn)企業(yè)有提供 某種運(yùn)輸服務(wù)的能力。二者缺一不可。目前我國(guó)在客運(yùn)供給預(yù)測(cè)方法方面的研究不是很多， 預(yù)測(cè)考慮的因素較為簡(jiǎn) 單，數(shù)據(jù)處理方式及模型參數(shù)標(biāo)定比較粗糙， 因此預(yù)測(cè)精度不是很高， 在國(guó)家經(jīng) 濟(jì)快速發(fā)展， 客運(yùn)需求增長(zhǎng)日益旺盛的情形下， 舊有預(yù)測(cè)方法不能很好適應(yīng)當(dāng)前 形勢(shì)的變化，給未來(lái)客運(yùn)供給決策及需求管理提供參考方面亦力不從心。進(jìn)行基于支持向量機(jī)的公路客運(yùn)供給預(yù)測(cè)， 目的是了解目前我國(guó)公路客運(yùn)供 需系統(tǒng)存在的問(wèn)題， 研究公路客運(yùn)企業(yè)在經(jīng)營(yíng)中遇到的困難及諸多矛盾， 為

3、滿足 未來(lái)客運(yùn)需求、合理配置客運(yùn)資源、 科學(xué)制定客運(yùn)基礎(chǔ)設(shè)施建設(shè)計(jì)劃等提供方向 性指導(dǎo)，為公路客運(yùn)供需均衡提供理論支持。本文從當(dāng)前我國(guó)公路客運(yùn)供給形勢(shì)出發(fā)，探討了公路客運(yùn)供給的影響因素， 公路客運(yùn)供給預(yù)測(cè)模型的建立及實(shí)證分析， 為制定客運(yùn)發(fā)展政策、 合理配置客運(yùn) 資源，優(yōu)化客運(yùn)供給結(jié)構(gòu)提供指導(dǎo)，體現(xiàn)在以下幾個(gè)方面：研究公路客運(yùn)供給的影響因素， 討論各個(gè)因素 （經(jīng)濟(jì)總水平， 公路交通建筑 業(yè)發(fā)展水平，公路運(yùn)輸設(shè)備 （汽車(chē) ）制造業(yè)發(fā)展水平，技術(shù)因素，國(guó)家政策，人口 總量、價(jià)格因素等）單獨(dú)影響和組合影響下，公路客運(yùn)供給量的變化，可為公路 客運(yùn)供給評(píng)價(jià)提供依據(jù)；對(duì)公路客運(yùn)基礎(chǔ)設(shè)施的建設(shè)和公路客運(yùn)車(chē)輛

4、進(jìn)行預(yù)測(cè)， 可為客運(yùn)線路及班線 規(guī)劃提供有價(jià)值的參考， 對(duì)運(yùn)輸車(chē)輛供給的預(yù)測(cè)， 有助于掌握未來(lái)客運(yùn)供給的發(fā) 展趨勢(shì)及汽車(chē)產(chǎn)業(yè)發(fā)展趨勢(shì)，為運(yùn)輸企業(yè)客運(yùn)結(jié)構(gòu)調(diào)整，提高效益提供參考。本文將支持向量機(jī)理論應(yīng)用于公路客運(yùn)供給進(jìn)行預(yù)測(cè)， 為客運(yùn)供給預(yù)測(cè)提供 了新的思路和方法，對(duì)相關(guān)研究具有參考價(jià)值和理論意義。2 國(guó)內(nèi)外研究現(xiàn)狀國(guó)外研究現(xiàn)狀1、公路運(yùn)輸供給預(yù)測(cè)方面對(duì)于公路運(yùn)輸供給預(yù)測(cè)的問(wèn)題， 從相關(guān)文獻(xiàn)檢索結(jié)果來(lái)看， 迄今為止發(fā)達(dá)國(guó) 家對(duì)公路運(yùn)輸供給及預(yù)測(cè)的研究比較少， 特別是關(guān)于公路客運(yùn)供給預(yù)測(cè)的研究還 很少。國(guó)外對(duì)于公路客運(yùn)的研究和實(shí)踐主要強(qiáng)調(diào)供給量 （基礎(chǔ)設(shè)施規(guī)模， 運(yùn)輸車(chē) 輛規(guī)模）、各種運(yùn)輸方式的結(jié)

5、構(gòu)比例隨需求結(jié)構(gòu)而變化，強(qiáng)調(diào)運(yùn)輸供給通過(guò)市場(chǎng) 機(jī)制和宏觀調(diào)控來(lái)建立和發(fā)展。 發(fā)達(dá)資本主義國(guó)家通過(guò)政府管制、 運(yùn)輸市場(chǎng)的自 由競(jìng)爭(zhēng)和部分淘汰、拆除，最終形成了目前相對(duì)合理的運(yùn)輸網(wǎng)絡(luò)系統(tǒng)。2、支持向量機(jī)的研究及應(yīng)用方面1995 年， Vapnic 首次提出來(lái)了支持向量機(jī)這一概念。目前，在模式識(shí)別方面，SVM已被應(yīng)用于手寫(xiě)數(shù)字識(shí)別，目標(biāo)識(shí)別2,語(yǔ)音鑒定3，照片中人像的 識(shí)別和文本分類(lèi)5中；在回歸估計(jì)方面，SVM被應(yīng)用到比較一系列預(yù)測(cè)結(jié)果的 基準(zhǔn)時(shí)間 6以及波士頓住房問(wèn)題 7中。Asa Ben-Hu阿通過(guò)支持向量機(jī)將輸入空間映射到高維特征空間后用于聚類(lèi)分 析中；Bennett9將支持向量機(jī)作為決策樹(shù)中

6、的每個(gè)節(jié)點(diǎn)，通過(guò)決策樹(shù)來(lái)進(jìn)行模式分類(lèi)，現(xiàn)在己經(jīng)將二分類(lèi)問(wèn)題擴(kuò)展到多分類(lèi)問(wèn)題中； Cellio Anglo 等人10通過(guò)分 解和重組兩個(gè)過(guò)程提出了多分類(lèi)支持向量回歸機(jī)K-SVCR“（ supportvector classification-regression”machines for K-class classification Purposes）， Fumigate Takhashi等人11提出了基于決策樹(shù)的多分類(lèi)支持向量機(jī)。在正則化參數(shù)的選擇方面，Cherkasski2】等人提出了從訓(xùn)練樣本數(shù)據(jù)中以數(shù)學(xué) 表達(dá)式選擇模型參數(shù)值。在不敏感參數(shù)&的確定方面，目前已有支持向量機(jī)能夠 自動(dòng)確定&的

7、大小，如Scholkopf等人提出的v-SVM該支持向量機(jī)中參數(shù)v能夠 自動(dòng)選擇& ）和等人提出的LS-SVM Smola等人認(rèn)為不敏感參數(shù)&值與噪聲方差 成比例，但這種方法主要的缺點(diǎn)是不能夠反映訓(xùn)練樣本集的大??；Cherkassky12等人提出了通過(guò)訓(xùn)練樣本數(shù)目和樣本的噪聲水平求取&值。國(guó)內(nèi)研究現(xiàn)狀與發(fā)達(dá)國(guó)家的城市相比， 我國(guó)城市的機(jī)動(dòng)化水平和發(fā)展時(shí)期遠(yuǎn)遠(yuǎn)落后。 雖然 目前交通供給與需求方面， 更多的強(qiáng)調(diào)了交通需求管理， 且國(guó)內(nèi)交通學(xué)者一開(kāi)始 就將城市道路交通供需平衡理論研究定位在“供” ，“需”雙管齊下的思路上，但 是交通供給作為交通供需平衡的重要方面，仍然是值得研究的課題。1、道路運(yùn)輸供

8、給預(yù)測(cè)模型研究方面江方等 13對(duì)公路運(yùn)輸供給的影響因素進(jìn)行了分析， 認(rèn)為運(yùn)輸供給具有時(shí)空差 異性、不平衡性、成本轉(zhuǎn)移性、可替代性和不可替代性等特性，相應(yīng)的影響因素 有經(jīng)濟(jì)因素、技術(shù)因素、運(yùn)輸成本、政策管理等，并將各影響因素定量化，建立 了公路運(yùn)輸供給函數(shù)；鄭安文等 14在 2002 年根據(jù)我國(guó)城市道路交通現(xiàn)狀，以簡(jiǎn) 化對(duì)影響道路網(wǎng)交通供給能力道路方面諸因素的處理為出發(fā)點(diǎn)， 通過(guò)對(duì)城市在車(chē) 輛安全行駛問(wèn)題間距合理表達(dá)式的分析和對(duì)城市道路資源及資源消耗對(duì)象的描 述，提出了城市道路機(jī)動(dòng)車(chē)公路網(wǎng)供給能力的表達(dá)式。李旭宏等 15在城市道路網(wǎng)供求分析技術(shù) 一文中根據(jù)對(duì)不同城市道路等級(jí)的通行能力的分析， 提

9、出城市 道路網(wǎng)容量的計(jì)算方法。 吳群琪，張碧君等 1 6提出道路運(yùn)輸供給品質(zhì)的概念， 認(rèn) 為運(yùn)輸供給品質(zhì)特性是指能被消費(fèi)者感受到的、 以運(yùn)輸過(guò)程為主體的、 系統(tǒng)描述 運(yùn)輸供給品質(zhì)的指標(biāo)體系，主要有由技術(shù)經(jīng)濟(jì)保障、可達(dá)性、時(shí)效性、舒適性、 經(jīng)濟(jì)性等五個(gè)方面；鄒海波等 17,18從系統(tǒng)工程的角度出發(fā)，將道路運(yùn)輸供給系 統(tǒng)劃分為道路基礎(chǔ)設(shè)施、 運(yùn)輸基礎(chǔ)設(shè)施、 運(yùn)輸移動(dòng)設(shè)備、 運(yùn)輸人力資源和運(yùn)輸軟 件 5 個(gè)子系統(tǒng)，認(rèn)為道路運(yùn)輸供給系統(tǒng)協(xié)調(diào)發(fā)展是各子系統(tǒng)在適度發(fā)展的同時(shí)， 彼此間能夠一致地或無(wú)矛盾地或矛盾減少到容許程度的發(fā)展， 并從子系統(tǒng)各自適 度發(fā)展和系統(tǒng)之間統(tǒng)一協(xié)調(diào)發(fā)展的層面進(jìn)行機(jī)理分析。2、支持

10、向量機(jī)應(yīng)用于交通預(yù)測(cè)方面2004 年，江蘇科技大學(xué)的高尚，房靖等 19對(duì)交通運(yùn)量進(jìn)行了預(yù)測(cè)，利用灰 色、神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)理論建立了三個(gè)預(yù)測(cè)模型， 在分析組合預(yù)測(cè)特性的基 礎(chǔ)上，提出了對(duì)灰色系統(tǒng)、 神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)三種預(yù)測(cè)方法結(jié)果進(jìn)行了線性 組合預(yù)測(cè)方法和支持向量機(jī)的組合預(yù)測(cè)方法； 王大鵬 20利用支持向量機(jī)對(duì)公路車(chē) 流量數(shù)據(jù)進(jìn)行了分析預(yù)測(cè)，用BP網(wǎng)絡(luò)及RBF網(wǎng)絡(luò)的預(yù)測(cè)結(jié)果與SVM預(yù)測(cè)結(jié)果進(jìn) 行了比較分析，結(jié)果表明用支持向量回歸算法進(jìn)行混沌時(shí)間序列的預(yù)測(cè)能夠取得 比其他方法更好的效果， 具有很好的穩(wěn)健性及泛化能力； 顏七笙，王士同等人 21 利用支持向量回歸模型進(jìn)行了公路旅游客流量預(yù)測(cè)方

11、法， 給出了參數(shù)優(yōu)化選取算 法，取得了較好的效果；向小東， 張婧旭等 22對(duì)貨物運(yùn)量進(jìn)行了預(yù)測(cè)，通過(guò)選取 影響貨物運(yùn)輸量的 16 個(gè)指標(biāo)，首先用核主成分分析提取特征值，再用加權(quán)最小 二乘支持向量機(jī)進(jìn)行預(yù)測(cè)， 結(jié)果表明此法的精度較高； 李玲玲 23建立了高速公路 交通量的 SVM 預(yù)測(cè)模型， 但是在對(duì)模型參數(shù)的選取方面考慮的因素較少； 王穎， 邵春福等 24應(yīng)用支持向量機(jī)進(jìn)行了公路貨運(yùn)量的預(yù)測(cè)， 并對(duì)模型參數(shù)的選擇和修 正進(jìn)行了有益的探討， 最終預(yù)測(cè)結(jié)果比較理想； 孫浩25在交通安全方面的預(yù)測(cè)中 選用了最小二乘支持向量機(jī)模型，收到了較好的效果。支持向量機(jī)是目前研究的熱點(diǎn)， 在如水電機(jī)組故障預(yù)測(cè)

12、26，海洋漁業(yè)增加值 預(yù)測(cè)27，航段運(yùn)量預(yù)測(cè) 28，風(fēng)速預(yù)測(cè) 29等其他領(lǐng)域的應(yīng)用方面的研究也很多。 支持向量機(jī)因其方法具有較高的準(zhǔn)確性和推廣能力，因而被廣泛應(yīng)用。3 論文主要研究?jī)?nèi)容及研究思路主要研究?jī)?nèi)容本論文擬從交通工程學(xué)， 統(tǒng)計(jì)分析理論以及經(jīng)濟(jì)學(xué)相關(guān)理論等角度出發(fā)， 運(yùn) 用理論推導(dǎo)、 建模分析等方法， 對(duì)公路客運(yùn)供給總量預(yù)測(cè)進(jìn)行探討， 主要研究?jī)?nèi)容如下：1、公路客運(yùn)供給的形成機(jī)理及影響因素分析（1）對(duì)公路客運(yùn)供給的特點(diǎn)進(jìn)行總結(jié)，分析；（2）公路客運(yùn)供給的形成機(jī)理分析；（3）公路客運(yùn)供給的影響因素（主要包括經(jīng)濟(jì)總水平，公路交通建筑業(yè)發(fā)展 水平，公路運(yùn)輸設(shè)備（汽車(chē)）制造業(yè)發(fā)展水平， 技術(shù)因素

13、，政策因素，人口總量、 價(jià)格因素等。）2、公路客運(yùn)供給總量預(yù)測(cè)的理論方法（1）對(duì)公路客運(yùn)供給預(yù)測(cè)的方法（彈性系數(shù)法、灰色關(guān)聯(lián)度預(yù)測(cè)法、多元回 歸預(yù)測(cè)法、 支持向量機(jī)預(yù)測(cè)等） 的原理進(jìn)行歸納總結(jié)， 研究各種方法的優(yōu)缺點(diǎn)及 適用的條件，在此基礎(chǔ)上提出運(yùn)用支持向量機(jī)回歸模型對(duì)公路客運(yùn)基礎(chǔ)設(shè)施及客 運(yùn)車(chē)輛供給量進(jìn)行預(yù)測(cè)的設(shè)想。（2） 對(duì)各種影響因素在目標(biāo)年（ 2015 年，2020年，2030 年）的量進(jìn)行預(yù)測(cè)。 經(jīng)濟(jì)社會(huì)方面： 社會(huì)勞動(dòng)生產(chǎn)率人均國(guó)內(nèi)生產(chǎn)總值； 國(guó)內(nèi)生產(chǎn)總值； 國(guó)內(nèi)生產(chǎn)總 值增長(zhǎng)率；城鎮(zhèn)居民人均可支配收入；居民消費(fèi)水平；城鎮(zhèn)人口占總?cè)丝诒戎亍?政策與制度性因素方面： 經(jīng)濟(jì)活動(dòng)人口；

14、勞動(dòng)參與率。物流服務(wù)水平及價(jià)格方面： 全社會(huì)固定資產(chǎn)投資總額； 居民消費(fèi)價(jià)格總指數(shù)。 產(chǎn)業(yè)結(jié)構(gòu)方面： 第三產(chǎn)業(yè)產(chǎn)值。 采用的預(yù)測(cè)方法擬定為回歸預(yù)測(cè)方法，指數(shù)平滑法，增長(zhǎng)率法等。（3） 利用黑龍江省統(tǒng)計(jì)年鑒的歷史數(shù)據(jù)，進(jìn)行建模及實(shí)證分析，對(duì)模型精度 進(jìn)行驗(yàn)證及預(yù)測(cè)年因變量（公路客運(yùn)供給量）的預(yù)測(cè)值。研究思路與方法本文認(rèn)為公路客運(yùn)供給包括公路基礎(chǔ)設(shè)施的供給和公路客運(yùn)車(chē)輛的供給兩 個(gè)方面，因此對(duì)公路客運(yùn)供給的預(yù)測(cè)首先對(duì)二者進(jìn)行預(yù)測(cè)， 而后結(jié)合其它影響因 素，對(duì)目標(biāo)年（ 2015 年，2020年，2030 年）可完成的客運(yùn)量和客運(yùn)周轉(zhuǎn)量進(jìn)行 預(yù)測(cè)。1、載客汽車(chē)數(shù)（輛）載客汽車(chē)數(shù) = f1 （人均國(guó)內(nèi)生

15、產(chǎn)總值； 國(guó)內(nèi)生產(chǎn)總值； 城鎮(zhèn)居民人均可支配收入；全社會(huì)固定資產(chǎn)投資總額；居民消費(fèi)價(jià)格總指數(shù)；第二、三產(chǎn)業(yè)產(chǎn)值等）。預(yù)測(cè)方法：支持向量機(jī)預(yù)測(cè)2、公路里程（公里）公路里程 = f2 （公路里程前期值（公里） ；公路建設(shè)投資前期值（萬(wàn)元） ）。預(yù)測(cè)方法：國(guó)家發(fā)展規(guī)劃或者回歸預(yù)測(cè)，待定。3、可供給完成的客運(yùn)量（萬(wàn)人）可供給完成的客運(yùn)量 = f3 （載客汽車(chē)數(shù)（輛）；公路里程（公里）；人均國(guó)內(nèi)生 產(chǎn)總值；國(guó)內(nèi)生產(chǎn)總值；城鎮(zhèn)居民人均可支配收入；全社會(huì)固定資產(chǎn)投資總額； 居民消費(fèi)價(jià)格總指數(shù)；第二、三產(chǎn)業(yè)產(chǎn)值等 ）。預(yù)測(cè)方法：支持向量機(jī)4、可供給完成的客運(yùn)周轉(zhuǎn)量（億人公里）可供給完成的客運(yùn)周轉(zhuǎn)量 = f4

16、（載客汽車(chē)數(shù)（輛）；公路里程（公里）；人均國(guó) 內(nèi)生產(chǎn)總值；國(guó)內(nèi)生產(chǎn)總值； 城鎮(zhèn)居民人均可支配收入； 全社會(huì)固定資產(chǎn)投資總 額；居民消費(fèi)價(jià)格總指數(shù)；第二、三產(chǎn)業(yè)產(chǎn)值等 ）。預(yù)測(cè)方法：支持向量機(jī)5、預(yù)測(cè)實(shí)施流程（1） 通過(guò)查找黑龍江省統(tǒng)計(jì)年鑒及相關(guān)統(tǒng)計(jì)年鑒，獲取黑龍江省公路客運(yùn)供 給的影響因素和公路客運(yùn)供給量 （公路總里程， 客運(yùn)汽車(chē)保有量） 以及客運(yùn)量和 客運(yùn)周轉(zhuǎn)量的歷史數(shù)據(jù)，對(duì)數(shù)據(jù)進(jìn)行初步篩選和預(yù)處理。（2）將歷史數(shù)據(jù)進(jìn)行歸一化處理（使用 Matlab 工具箱中的歸一化函數(shù)） 。（3） 選取適當(dāng)?shù)暮撕瘮?shù)和參數(shù)，對(duì)樣本進(jìn)行訓(xùn)練（用 Matlab 軟件中的 SVM 工具箱操作），直到輸出值達(dá)到設(shè)定

17、的精度（對(duì)預(yù)測(cè)的標(biāo)準(zhǔn)差，相對(duì)誤差等確定 是否達(dá)到預(yù)設(shè)精度），得到預(yù)測(cè)模型。（4）對(duì)目標(biāo)年各影響因素的值進(jìn)行預(yù)測(cè)。（5）將各影響因素預(yù)測(cè)值輸入已得出的模型中，進(jìn)行目標(biāo)年公路客運(yùn)供給量預(yù)測(cè)技術(shù)路線本文的技術(shù)路線如下圖所示基于支持向量機(jī)的公路客運(yùn)供給預(yù)測(cè)研究公路客運(yùn)供給預(yù)測(cè)公路客運(yùn)供給影響因素分析供給預(yù)測(cè)常用方法灰色預(yù)測(cè)方法彈性系數(shù)法可能遇到的問(wèn)題、困難及解決措施1、核函數(shù)的選擇方面。支持向量回歸模型的核函數(shù)直接影響到模型預(yù)測(cè)的準(zhǔn)確性和精度， 因此核函 數(shù)的選擇至關(guān)重要。但是目前對(duì)于核函數(shù)的選擇尚沒(méi)有統(tǒng)一的理論指導(dǎo)， 亦沒(méi)有 可以確切參考的方法，主要是憑實(shí)際問(wèn)題本身以及經(jīng)驗(yàn)去進(jìn)行選擇， 因此經(jīng)驗(yàn)和

18、實(shí)際問(wèn)題分析能力顯得尤為重要，而在這方面我的能力還不足。2、模型參數(shù)選擇方面。確定支持向量回歸模型，關(guān)鍵問(wèn)題之一就是選擇合適的算法確定模型參數(shù)， 而參數(shù)的選擇需要根據(jù)實(shí)際問(wèn)題估計(jì)，對(duì)所預(yù)測(cè)對(duì)象的了解熟悉可能是設(shè)計(jì)選擇 參數(shù)的瓶頸。3、影響因素的取舍方面。對(duì)公路基礎(chǔ)設(shè)施規(guī)模和等級(jí)、 公路客運(yùn)運(yùn)輸工具 （客運(yùn)汽車(chē)保有量、 車(chē)座位 數(shù)）的預(yù)測(cè)需要考慮的因素較多， 如何確定各個(gè)因素對(duì)最終結(jié)果的影響 （或說(shuō)權(quán) 重）是一個(gè)復(fù)雜的問(wèn)題， 此外預(yù)測(cè)需要對(duì)一些影響因素進(jìn)行取舍， 由此取舍造成 的誤差無(wú)法驗(yàn)證（驗(yàn)證的方法較復(fù)雜） 。4、數(shù)據(jù)的獲取方面。可能有些數(shù)據(jù)不易獲取，需要較多時(shí)間去查找數(shù)據(jù)。對(duì)于以上問(wèn)題和困

19、難， 還需要深入學(xué)習(xí)相關(guān)理論， 大量翻閱查找資料， 需要 向老師同學(xué)請(qǐng)教求助，并在期刊數(shù)據(jù)網(wǎng)上多番查找。4 論文擬定大綱第 1 章 緒論論文研究目的意義國(guó)內(nèi)外研究現(xiàn)狀本文研究?jī)?nèi)容及方法技術(shù)路線第 2 章 公路客運(yùn)供給的形成機(jī)理及影響因素分析公路客運(yùn)供給的概念公路客運(yùn)供給的形成機(jī)理公路客運(yùn)供給的影響因素本章小結(jié)第 3 章 公路客運(yùn)供給預(yù)測(cè)及預(yù)測(cè)方法預(yù)測(cè)的特點(diǎn)及分類(lèi)常用的預(yù)測(cè)數(shù)學(xué)方法三次指數(shù)平滑法回歸模型灰色系統(tǒng)模型現(xiàn)代預(yù)測(cè)方法神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)法預(yù)測(cè)的遺傳規(guī)劃法 基于支持向量機(jī)的預(yù)測(cè)方法 本章小結(jié)第 4 章 基于支持向量機(jī)的公路客運(yùn)供給預(yù)測(cè)模型 統(tǒng)計(jì)學(xué)習(xí)理論支持向量機(jī)理論基礎(chǔ) 公路客運(yùn)供給預(yù)測(cè)的支持向

20、量回歸模型 核函數(shù)、參數(shù)選擇及訓(xùn)練算法本章小結(jié)第 5 章 黑龍江省公路客運(yùn)供給預(yù)測(cè)實(shí)證分析 公路客運(yùn)供給各影響因素取值的預(yù)測(cè) 公路客運(yùn)供給的支持向量機(jī)預(yù)測(cè)模型設(shè)計(jì) 公路客運(yùn)供給的支持向量機(jī)預(yù)測(cè)模型預(yù)測(cè)實(shí)例 本章小結(jié)結(jié)論5 進(jìn)度安排2011年 9月-2011年 10月搜集相關(guān)文獻(xiàn)以了解國(guó)內(nèi)外對(duì)本課題研究現(xiàn)狀2011年 11月-2011年 12月 研究公路供給預(yù)測(cè)的方法，模型等資料2012 年 1 月-2012 年 2 月搜集黑龍江省 1980 年2010年統(tǒng)計(jì)年鑒，獲取歷史數(shù)據(jù)2012年 3月-2010年 4月研究公路客運(yùn)供給的支持向量機(jī)預(yù)測(cè)模型， 對(duì)模型參數(shù)進(jìn)行選擇和實(shí)驗(yàn)，著手撰寫(xiě)論文初稿20

21、11年 5月-2011年 6月建立支持向量機(jī)預(yù)測(cè)模型， 進(jìn)行實(shí)例驗(yàn)證和預(yù)測(cè) 精度評(píng)價(jià)，對(duì)目標(biāo)年公路客運(yùn)供給量進(jìn)行預(yù)測(cè)，完成論文2011年 7月 修改論文，進(jìn)行答辯。6 參考文獻(xiàn)1 Cortes C, Vapnik vector networks. Machine Learning,1995,20:273297.2 Blanz C, Seholkopf B, Bulthof fetal. Comparison of view-based object recognition algorithms using realistic 3d models. Springer Lecture Notes

22、in Computer Scien，ce 1996,1112:251256.3 Schmidt M. Identifying speaker with support vector networks. Interface96 :1996.4 Osuna E, Freund R, Girosi F. Training support vector machines: an application to face detection. IEEEConference on Computer Vision and Pattern Recognition. 136.5 Burges tutorial o

23、n Support Vector Machines for Pattern Recognition. Knowledge Discover and Data ,2(2):121167.6 Muller K, Smola A. Ratsch Getal. Predicting time series with support vector machines. International Conference on Artificial Neural Drucker H, Burges CJC, Kaufman Letal. Support vector regression machines.

24、Advances in Neural Information processing Asa Ben-Hur, David Horn. A support vector clustering . http :Bennett. A support vector machine approach to decision trees. homepage/sac:/downloads10 Cecilia Angelo, Xavier Para. A support vector machines for mu1ti-class classification. Neural computing, 2003

25、,55:5777.11 Fumitale Takahashi, Shigeo Abe. Decision-tree based multi-class support vector machines. Proceedings of the 9th international conference on neural information ,3:14181423.12 Cherkassky V, Yuan Ma. Practical Selection of SVM parameters and Noise Estimation for SVM RegressionJ.Neutral ,17:113126.131