哈工大GCT硕士开题范本Word下载.docx

1、二者缺一不可。目前我国在客运供给预测方法方面的研究不是很多，预测考虑的因素较为简单，数据处理方式及模型参数标定比较粗糙，因此预测精度不是很高，在国家经济快速发展，客运需求增长日益旺盛的情形下，旧有预测方法不能很好适应当前形势的变化，给未来客运供给决策及需求管理提供参考方面亦力不从心。进行基于支持向量机的公路客运供给预测，目的是了解目前我国公路客运供需系统存在的问题，研究公路客运企业在经营中遇到的困难及诸多矛盾，为满足未来客运需求、合理配置客运资源、科学制定客运基础设施建设计划等提供方向性指导，为公路客运供需均衡提供理论支持。本文从当前我国公路客运供给形势出发，探讨了公路客运供给的影响因素，公路

2、客运供给预测模型的建立及实证分析，为制定客运发展政策、合理配置客运资源，优化客运供给结构提供指导，体现在以下几个方面：研究公路客运供给的影响因素，讨论各个因素（经济总水平，公路交通建筑业发展水平，公路运输设备（汽车）制造业发展水平，技术因素，国家政策，人口总量、价格因素等）单独影响和组合影响下，公路客运供给量的变化，可为公路客运供给评价提供依据；对公路客运基础设施的建设和公路客运车辆进行预测，可为客运线路及班线规划提供有价值的参考，对运输车辆供给的预测，有助于掌握未来客运供给的发展趋势及汽车产业发展趋势，为运输企业客运结构调整，提高效益提供参考。本文将支持向量机理论应用于公路客运供给进行预测，

3、为客运供给预测提供了新的思路和方法，对相关研究具有参考价值和理论意义。2 国内外研究现状 国外研究现状1、公路运输供给预测方面对于公路运输供给预测的问题，从相关文献检索结果来看，迄今为止发达国家对公路运输供给及预测的研究比较少，特别是关于公路客运供给预测的研究还很少。国外对于公路客运的研究和实践主要强调供给量（基础设施规模，运输车辆规模）、各种运输方式的结构比例随需求结构而变化，强调运输供给通过市场机制和宏观调控来建立和发展。发达资本主义国家通过政府管制、运输市场的自由竞争和部分淘汰、拆除，最终形成了目前相对合理的运输网络系统。2、支持向量机的研究及应用方面1995年，Vapnic首次提出来了

4、支持向量机这一概念。目前，在模式识别方面，SVM已被应用于手写数字识别1，目标识别2，语音鉴定3，照片中人像的识别4和文本分类5中；在回归估计方面，SVM被应用到比较一系列预测结果的基准时间6以及波士顿住房问题7中。Asa Ben-Hur8通过支持向量机将输入空间映射到高维特征空间后用于聚类分析中；Bennett9将支持向量机作为决策树中的每个节点，通过决策树来进行模式分类，现在己经将二分类问题扩展到多分类问题中；Cellio Anglo等人10通过分解和重组两个过程提出了多分类支持向量回归机K-SVCR（“support vector classification-regression” m

5、achines for K-class classification Purposes），Fumigate Takhashi等人11提出了基于决策树的多分类支持向量机。在正则化参数的选择方面，cherkassky12等人提出了从训练样本数据中以数学表达式选择模型参数值。在不敏感参数的确定方面，目前已有支持向量机能够自动确定的大小，如Scholkopf等人提出的v-SVM（该支持向量机中参数v能够自动选择）和等人提出的 LS-SVM；Smola等人认为不敏感参数值与噪声方差成比例，但这种方法主要的缺点是不能够反映训练样本集的大小；Cherkassky12等人提出了通过训练样本数目和样本的噪声水平

6、求取值。 国内研究现状与发达国家的城市相比，我国城市的机动化水平和发展时期远远落后。虽然目前交通供给与需求方面，更多的强调了交通需求管理，且国内交通学者一开始就将城市道路交通供需平衡理论研究定位在“供”，“需”双管齐下的思路上，但是交通供给作为交通供需平衡的重要方面，仍然是值得研究的课题。1、道路运输供给预测模型研究方面江方等13对公路运输供给的影响因素进行了分析，认为运输供给具有时空差异性、不平衡性、成本转移性、可替代性和不可替代性等特性，相应的影响因素有经济因素、技术因素、运输成本、政策管理等，并将各影响因素定量化，建立了公路运输供给函数；郑安文等14在2002年根据我国城市道路交通现状，

7、以简化对影响道路网交通供给能力道路方面诸因素的处理为出发点，通过对城市在车辆安全行驶问题间距合理表达式的分析和对城市道路资源及资源消耗对象的描述，提出了城市道路机动车公路网供给能力的表达式。李旭宏等15在城市道路网供求分析技术一文中根据对不同城市道路等级的通行能力的分析，提出城市道路网容量的计算方法。吴群琪，张碧君等16提出道路运输供给品质的概念，认为运输供给品质特性是指能被消费者感受到的、以运输过程为主体的、系统描述运输供给品质的指标体系，主要有由技术经济保障、可达性、时效性、舒适性、经济性等五个方面；邹海波等17,18从系统工程的角度出发，将道路运输供给系统划分为道路基础设施、运输基础设施

8、、运输移动设备、运输人力资源和运输软件5个子系统，认为道路运输供给系统协调发展是各子系统在适度发展的同时，彼此间能够一致地或无矛盾地或矛盾减少到容许程度的发展，并从子系统各自适度发展和系统之间统一协调发展的层面进行机理分析。2、支持向量机应用于交通预测方面2004年，江苏科技大学的高尚，房靖等19对交通运量进行了预测，利用灰色、神经网络和支持向量机理论建立了三个预测模型，在分析组合预测特性的基础上，提出了对灰色系统、神经网络和支持向量机三种预测方法结果进行了线性组合预测方法和支持向量机的组合预测方法；王大鹏20利用支持向量机对公路车流量数据进行了分析预测，用BP网络及RBF网络的预测结果与SV

9、M预测结果进行了比较分析，结果表明用支持向量回归算法进行混沌时间序列的预测能够取得比其他方法更好的效果，具有很好的稳健性及泛化能力；颜七笙，王士同等人21利用支持向量回归模型进行了公路旅游客流量预测方法，给出了参数优化选取算法，取得了较好的效果；向小东，张婧旭等22对货物运量进行了预测，通过选取影响货物运输量的16个指标，首先用核主成分分析提取特征值，再用加权最小二乘支持向量机进行预测，结果表明此法的精度较高；李玲玲23建立了高速公路交通量的SVM预测模型，但是在对模型参数的选取方面考虑的因素较少；王颖，邵春福等24应用支持向量机进行了公路货运量的预测，并对模型参数的选择和修正进行了有益的探讨

10、，最终预测结果比较理想；孙浩25在交通安全方面的预测中选用了最小二乘支持向量机模型，收到了较好的效果。支持向量机是目前研究的热点，在如水电机组故障预测26，海洋渔业增加值预测27，航段运量预测28，风速预测29等其他领域的应用方面的研究也很多。支持向量机因其方法具有较高的准确性和推广能力，因而被广泛应用。3 论文主要研究内容及研究思路 主要研究内容本论文拟从交通工程学，统计分析理论以及经济学相关理论等角度出发，运用理论推导、建模分析等方法，对公路客运供给总量预测进行探讨，主要研究内容如下：1、公路客运供给的形成机理及影响因素分析（1） 对公路客运供给的特点进行总结，分析；（2） 公路客运供给的

11、形成机理分析；（3） 公路客运供给的影响因素（主要包括经济总水平，公路交通建筑业发展水平，公路运输设备（汽车）制造业发展水平，技术因素，政策因素，人口总量、价格因素等。）2、公路客运供给总量预测的理论方法（1） 对公路客运供给预测的方法（弹性系数法、灰色关联度预测法、多元回归预测法、支持向量机预测等）的原理进行归纳总结，研究各种方法的优缺点及适用的条件，在此基础上提出运用支持向量机回归模型对公路客运基础设施及客运车辆供给量进行预测的设想。（2） 对各种影响因素在目标年（2015年，2020年，2030年）的量进行预测。经济社会方面：社会劳动生产率人均国内生产总值；国内生产总值；国内生产总值增长

12、率；城镇居民人均可支配收入；居民消费水平；城镇人口占总人口比重。政策与制度性因素方面：经济活动人口；劳动参与率。物流服务水平及价格方面：全社会固定资产投资总额；居民消费价格总指数。产业结构方面：第三产业产值。采用的预测方法拟定为回归预测方法，指数平滑法，增长率法等。（3） 利用黑龙江省统计年鉴的历史数据，进行建模及实证分析，对模型精度进行验证及预测年因变量（公路客运供给量）的预测值。研究思路与方法本文认为公路客运供给包括公路基础设施的供给和公路客运车辆的供给两个方面，因此对公路客运供给的预测首先对二者进行预测，而后结合其它影响因素，对目标年（2015年，2020年，2030年）可完成的客运量和

13、客运周转量进行预测。1、载客汽车数（辆）载客汽车数= f1 （人均国内生产总值；居民消费价格总指数；第二、三产业产值等）。预测方法：支持向量机预测2、公路里程（公里）公路里程= f2 （公路里程前期值（公里）；公路建设投资前期值（万元）。国家发展规划或者回归预测，待定。3、可供给完成的客运量（万人）可供给完成的客运量= f3 （载客汽车数（辆）；公路里程（公里）；人均国内生产总值；支持向量机4、可供给完成的客运周转量（亿人公里）可供给完成的客运周转量= f4 （载客汽车数（辆）；5、预测实施流程（1） 通过查找黑龙江省统计年鉴及相关统计年鉴，获取黑龙江省公路客运供给的影响因素和公路客运供给量（

14、公路总里程，客运汽车保有量）以及客运量和客运周转量的历史数据，对数据进行初步筛选和预处理。（2） 将历史数据进行归一化处理（使用Matlab工具箱中的归一化函数）。（3） 选取适当的核函数和参数，对样本进行训练（用Matlab软件中的SVM工具箱操作），直到输出值达到设定的精度（对预测的标准差，相对误差等确定是否达到预设精度），得到预测模型。（4） 对目标年各影响因素的值进行预测。（5） 将各影响因素预测值输入已得出的模型中，进行目标年公路客运供给量预测。技术路线本文的技术路线如下图所示。 可能遇到的问题、困难及解决措施1、核函数的选择方面。支持向量回归模型的核函数直接影响到模型预测的准确性和

15、精度，因此核函数的选择至关重要。但是目前对于核函数的选择尚没有统一的理论指导，亦没有可以确切参考的方法，主要是凭实际问题本身以及经验去进行选择，因此经验和实际问题分析能力显得尤为重要，而在这方面我的能力还不足。2、模型参数选择方面。确定支持向量回归模型，关键问题之一就是选择合适的算法确定模型参数，而参数的选择需要根据实际问题估计，对所预测对象的了解熟悉可能是设计选择参数的瓶颈。3、影响因素的取舍方面。对公路基础设施规模和等级、公路客运运输工具（客运汽车保有量、车座位数）的预测需要考虑的因素较多，如何确定各个因素对最终结果的影响（或说权重）是一个复杂的问题，此外预测需要对一些影响因素进行取舍，由

16、此取舍造成的误差无法验证（验证的方法较复杂）。4、数据的获取方面。可能有些数据不易获取，需要较多时间去查找数据。对于以上问题和困难，还需要深入学习相关理论，大量翻阅查找资料，需要向老师同学请教求助，并在期刊数据网上多番查找。4 论文拟定大纲第1章 绪论 论文研究目的意义 国内外研究现状 本文研究内容及方法 技术路线第2章 公路客运供给的形成机理及影响因素分析 公路客运供给的概念 公路客运供给的形成机理 公路客运供给的影响因素 本章小结第3章 公路客运供给预测及预测方法 预测的特点及分类 常用的预测数学方法 三次指数平滑法 回归模型 灰色系统模型 现代预测方法神经网络预测法 预测的遗传规划法 基

17、于支持向量机的预测方法第4章 基于支持向量机的公路客运供给预测模型 统计学习理论 支持向量机理论基础 公路客运供给预测的支持向量回归模型 核函数、参数选择及训练算法本章小结第5章 黑龙江省公路客运供给预测实证分析 公路客运供给各影响因素取值的预测 公路客运供给的支持向量机预测模型设计 公路客运供给的支持向量机预测模型预测实例结论5 进度安排2011年9月-2011年10月 搜集相关文献以了解国内外对本课题研究现状2011年11月-2011年12月 研究公路供给预测的方法，模型等资料2012年1月-2012年2月 搜集黑龙江省1980年2010年统计年鉴，获取历史数据2012年3月-2010年4

18、月 研究公路客运供给的支持向量机预测模型，对模型参数进行选择和实验，着手撰写论文初稿2011年5月-2011年6月 建立支持向量机预测模型，进行实例验证和预测精度评价，对目标年公路客运供给量进行预测，完成论文。2011年7月 修改论文，进行答辩。6 参考文献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 rea

19、listic 3d models. Springer Lecture Notes in Computer Science，1996,1112:251256.3Schmidt 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. IEEE Conference on Computer Vision and Patt

20、ern Recognition. 136.5 Burges tutorial on 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 Let

21、al. Support vector regression machines. 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-clas

22、s classification. Neural computing, 2003,55:5777.11 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 Est

23、imation for SVM RegressionJ.Neutral ,17:113126.13 江方.道路运输供给分析D.长安大学硕士学位论文,2000.14 郑安文,朱晓宏等.城市道路交通供给能力研究J.应用基础与工程科学学报, 2002,10（4）: 429435.15 李旭宏,田锋,顾政华等.城市道路网供求分析技术J.交通运输工程学报. 2002,2（2）:8890.16 张碧君,道路运输供给品质特性研究D.长安大学硕士学位论文,2006.17 邹海波,吴群琪.道路运输供给系统协调发展的机理分析J.长安大学学报（社会科学版）,2007,9（3）:1821.18 张生瑞,严宝杰.交通运

24、输系统协调发展的理论分析J.长安大学学报（自然科学版）,2002,22（3）:5153.19 高尚,房靖.公路交通运量的支持向量机组合预测J.交通运输系统工程与信息,2007,8:106-110.20 王大鹏.基于支持向量机的公路车流量数据分析与预测模型D.哈尔滨工程大学硕士学位论文.2006.21 颜七笙, 王士同.公路旅游客流量预测的支持向量回归模型J.计算机工程与应用.2011,47（9）:233239.22 向小东,张婧旭.福建省物流需求中的货物运输量预测研究J.福州大学学报（哲学社会科学版）.2009,3:2125.23 李玲玲.基于支持向量机的高速公路交通量预测研究D.重庆大学硕士学位论文.2010.24 王颖,邵春福.基于支持向量机的公路货运量预测方法研究J.物流技术.2010, 2:142150.25 孙浩.基于支持向量机的交通安全预测模型研究D.合肥工业大学硕士学位论文.2009.26 邹敏.基于支持向量机的水电机组故障诊断研究D.华中科技大学博士学位论文.200727 孟丽君.基于组合预测法的2011年我国海洋渔业增加值预测J.中国证券期货.2011,06:118.28 王芳.基于支持向量机的航段运量预测研究D. 南京航空航天大学硕士学位论文.200729 张华,曾杰.基于支持向量机的风速预测模型研究J.太阳能学报.2010, 31（7）:928932.