| 中文摘要 | 第3-5页 |
| 英文摘要 | 第5-6页 |
| 1 绪论 | 第9-17页 |
| 1.1 研究背景及意义 | 第9页 |
| 1.2 国内外研究现状及发展趋势 | 第9-14页 |
| 1.2.1 混合动力汽车发展现状 | 第9-10页 |
| 1.2.2 能量管理策略研究现状 | 第10-11页 |
| 1.2.3 短期工况预测研究现状及存在的问题 | 第11-12页 |
| 1.2.4 交通信息生成研究现状及存在的问题 | 第12-14页 |
| 1.3 本文主要研究内容 | 第14-17页 |
| 2 短期工况预测算法特性分析与评价方法 | 第17-37页 |
| 2.1 指数平滑预测模型 | 第17-19页 |
| 2.2 马尔可夫链预测模型 | 第19-26页 |
| 2.2.1 马尔可夫链的基本原理 | 第19-20页 |
| 2.2.2 高阶马尔可夫链 | 第20-22页 |
| 2.2.3 马尔可夫链状态划分及转移概率 | 第22-23页 |
| 2.2.4 基于马尔可夫链的短期工况预测 | 第23-26页 |
| 2.3 神经网络预测模型 | 第26-32页 |
| 2.3.1 神经网络的基本概念 | 第26-29页 |
| 2.3.2 BP神经网络 | 第29-30页 |
| 2.3.3 径向基神经网络 | 第30-32页 |
| 2.4 评价指标及仿真分析 | 第32-35页 |
| 2.5 本章小结 | 第35-37页 |
| 3 融合随机过程预测与机器学习的短期工况预测算法 | 第37-61页 |
| 3.1 PAC-MCNN车速预测器 | 第37-38页 |
| 3.2 融合算法及参数分析 | 第38-50页 |
| 3.2.1 主成分分析的基本原理 | 第38-40页 |
| 3.2.2 特征参数的选取 | 第40-41页 |
| 3.2.3 神经网络基本结构参数的选择 | 第41-44页 |
| 3.2.4 融合预测算法 | 第44-45页 |
| 3.2.5 仿真分析 | 第45-50页 |
| 3.3 GA-PCA-MCNN预测器 | 第50-54页 |
| 3.3.1 融合预测模型优化 | 第50-52页 |
| 3.3.2 优化结果及分析 | 第52-54页 |
| 3.4 基于智能手机传感器的短期工况预测实验 | 第54-59页 |
| 3.5 本章小结 | 第59-61页 |
| 4 基于KNN近邻法与小波在线重构的长期交通信息生成技术研究 | 第61-77页 |
| 4.1 交通信息数据处理及分析 | 第61-66页 |
| 4.1.1 交通数据获取 | 第61-62页 |
| 4.1.2 交通流量计算方法 | 第62-66页 |
| 4.2 基于KNN近邻法缺失数据补偿算法研究 | 第66-67页 |
| 4.3 补齐算法评价指标与分析 | 第67-72页 |
| 4.4 基于小波在线重构的长期交通信息生成方法研究 | 第72-76页 |
| 4.5 本章小结 | 第76-77页 |
| 5 基于不同预测算法的PHEV能耗经济性研究 | 第77-85页 |
| 5.1 PHEV动力系统参数及其构成 | 第77-78页 |
| 5.2 基于不同车速预测模型的能量管理策略 | 第78-80页 |
| 5.3 仿真分析 | 第80-84页 |
| 5.4 本章小结 | 第84-85页 |
| 6 结论与展望 | 第85-87页 |
| 6.1 论文总结 | 第85-86页 |
| 6.2 工作展望 | 第86-87页 |
| 致谢 | 第87-89页 |
| 参考文献 | 第89-97页 |
| 附录 | 第97页 |
| A.作者在攻读学位期间发表的论文目录 | 第97页 |
| B.作者在攻读学位期间申请的发明专利 | 第97页 |
| C.作者在攻读学位期间参加的科研项目 | 第97页 |