| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第12-21页 |
| 1.1 研究背景及意义 | 第12-15页 |
| 1.1.1 智能交通系统 | 第12-13页 |
| 1.1.2 车载自组织网络 | 第13-14页 |
| 1.1.3 行程时间预测 | 第14-15页 |
| 1.2 国内外研究现状 | 第15-19页 |
| 1.2.1 交通预测理论国内外研究现状 | 第15-17页 |
| 1.2.2 车辆行程时间预测国外研究现状 | 第17-19页 |
| 1.3 本文工作 | 第19页 |
| 1.4 本文结构 | 第19-21页 |
| 第2章 行程时间预测理论基础 | 第21-28页 |
| 2.1 行程时间预测特点 | 第21-22页 |
| 2.2 交通检测技术 | 第22-24页 |
| 2.2.1 传统交通数据采集 | 第22页 |
| 2.2.2 自动交通数据采集 | 第22-24页 |
| 2.3 行程时间预测模型 | 第24-27页 |
| 2.3.1 线性回归模型 | 第24页 |
| 2.3.2 时间序列模型 | 第24-25页 |
| 2.3.3 卡尔曼滤波模型 | 第25-26页 |
| 2.3.4 神经网络模型 | 第26页 |
| 2.3.5 支持向量回归模型 | 第26-27页 |
| 2.4 行程时间预测评价指标 | 第27页 |
| 2.5 本章小结 | 第27-28页 |
| 第3章 基于高斯过程回归的行程时间预测算法 | 第28-42页 |
| 3.1 引言 | 第28页 |
| 3.2 高斯过程回归算法的基本概念 | 第28-31页 |
| 3.2.1 高斯过程 | 第28-29页 |
| 3.2.2 高斯过程回归 | 第29-31页 |
| 3.3 基于高斯过程回归的实验应用 | 第31-36页 |
| 3.3.1 分析实验数据 | 第31-33页 |
| 3.3.2 构建实验模型 | 第33-35页 |
| 3.3.3 算法执行流程 | 第35-36页 |
| 3.4 实验结果分析 | 第36-40页 |
| 3.4.1 工作日行程时间预测 | 第36-38页 |
| 3.4.2 节假日行程时间预测 | 第38-40页 |
| 3.5 本章小结 | 第40-42页 |
| 第4章 基于AdaBoost的GPR行程时间预测算法 | 第42-52页 |
| 4.1 引言 | 第42-43页 |
| 4.2 基于AdaBoost的GPR算法基本原理 | 第43-46页 |
| 4.2.1 AdaBoost算法简介 | 第43-44页 |
| 4.2.2 基于AdaBoost的GPR算法原理 | 第44-46页 |
| 4.3 基于AdaBoost的高斯过程回归实验应用 | 第46-47页 |
| 4.4 实验结果分析 | 第47-51页 |
| 4.4.1 工作日早高峰行程时间预测 | 第47-49页 |
| 4.4.2 工作日晚高峰行程时间预测 | 第49-51页 |
| 4.5 本章小结 | 第51-52页 |
| 结论 | 第52-54页 |
| 参考文献 | 第54-58页 |
| 致谢 | 第58-59页 |
| 附录A 攻读学位期间所发表的学术论文目录 | 第59-60页 |
| 附录B 攻读硕士学位期间所参与的科研活动 | 第60页 |