| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7-8页 |
| 1 绪论 | 第11-21页 |
| 1.1 研究背景 | 第11-12页 |
| 1.2 研究目的和意义 | 第12-13页 |
| 1.3 国内外研究现状 | 第13-19页 |
| 1.3.1 国外研究现状 | 第13-17页 |
| 1.3.2 国内研究现状 | 第17-19页 |
| 1.4 研究内容 | 第19-20页 |
| 1.5 本章小结 | 第20-21页 |
| 2 交通事件自动检测算法概述 | 第21-33页 |
| 2.1 交通事件定义与分类 | 第21-23页 |
| 2.1.1 交通流的度量参数 | 第22页 |
| 2.1.2 交通事件对交通流的影响 | 第22-23页 |
| 2.2 交通事件检测系统 | 第23-26页 |
| 2.2.1 事件检测方法分类 | 第23-25页 |
| 2.2.2 事件检测系统框架 | 第25-26页 |
| 2.3 评价指标 | 第26-27页 |
| 2.4 经典事件自动检测算法概述 | 第27-31页 |
| 2.4.1 比较法 | 第27-28页 |
| 2.4.2 统计预测法 | 第28-30页 |
| 2.4.3 高级事件检测算法 | 第30-31页 |
| 2.5 本章小结 | 第31-33页 |
| 3 交通数据的预处理 | 第33-45页 |
| 3.1 数据介绍 | 第33-34页 |
| 3.2 数据质量问题 | 第34页 |
| 3.3 交通数据的预处理 | 第34-43页 |
| 3.3.1 数据预处理流程 | 第34-35页 |
| 3.3.2 缺失数据的检测与恢复 | 第35-37页 |
| 3.3.3 冗余数据的检测与剔除 | 第37-38页 |
| 3.3.4 错误数据的检测与修正 | 第38-40页 |
| 3.3.5 数据预处理示例 | 第40-43页 |
| 3.4 本章小结 | 第43-45页 |
| 4 基于单一数据源的快速路事件检测算法 | 第45-59页 |
| 4.1 多参数Califomia算法 | 第46-50页 |
| 4.1.1 多参数California算法介绍 | 第46-49页 |
| 4.1.2 多参数California算法实例验证 | 第49-50页 |
| 4.2 断面流量——速度事件检测算法 | 第50-53页 |
| 4.2.1 断面流量——速度算法介绍 | 第50-53页 |
| 4.2.2 断面流量——速度算法实例验证 | 第53页 |
| 4.3 神经网络算法 | 第53-57页 |
| 4.3.1 算法介绍 | 第54-56页 |
| 4.3.2 神经网络算法实例验证 | 第56-57页 |
| 4.4 本章小结 | 第57-59页 |
| 5 基于D-S证据理论的融合事件检测算法 | 第59-77页 |
| 5.1 数据融合 | 第59-63页 |
| 5.1.1 数据融合的概念 | 第59-61页 |
| 5.1.2 数据融合方法 | 第61-62页 |
| 5.1.3 综合判断快速路事件检测算法结构 | 第62-63页 |
| 5.2 D-S证据理论 | 第63-68页 |
| 5.2.1 基本定义 | 第65-66页 |
| 5.2.2 D-S理论合成规则 | 第66-68页 |
| 5.3 基于D-S证据理论的融合事件检测算法 | 第68-71页 |
| 5.4 算法有效性分析 | 第71-75页 |
| 5.5 本章小结 | 第75-77页 |
| 6 总结与展望 | 第77-79页 |
| 6.1 总结 | 第77-78页 |
| 6.2 展望 | 第78-79页 |
| 参考文献 | 第79-83页 |
| 作者简历及攻读硕士学位期间取得的研究成果 | 第83-87页 |
| 学位论文数据集 | 第87页 |