| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第一章 绪论 | 第9-16页 |
| 1.1 研究背景及意义 | 第9-12页 |
| 1.1.1 交通流变点 | 第9-10页 |
| 1.1.2 交通流的演化规律 | 第10-12页 |
| 1.2 变点问题的国内外研究现状 | 第12-14页 |
| 1.2.1 国外研究现状 | 第12-13页 |
| 1.2.2 国内研究现状 | 第13-14页 |
| 1.3 本论文研究的主要内容 | 第14-15页 |
| 1.4 本章小结 | 第15-16页 |
| 第二章 交通流变点分析方法 | 第16-36页 |
| 2.1 变点问题的提法 | 第16-17页 |
| 2.1.1 概率变点问题的提法 | 第16页 |
| 2.1.2 均值变点问题的提法 | 第16-17页 |
| 2.2 交通流在间歇流状态下的概率变点模型 | 第17-24页 |
| 2.2.1 非参数概率变点模型的简单情形 | 第17-18页 |
| 2.2.2 概率变点问题的复杂情况 | 第18-19页 |
| 2.2.3 模型应用 | 第19-24页 |
| 2.3 基于加速遗传的交通流均值变点分析方法 | 第24-29页 |
| 2.3.1 加速遗传算法简介 | 第24-26页 |
| 2.3.2 MCPAM-AGA算法步骤 | 第26-27页 |
| 2.3.3 模型应用 | 第27-29页 |
| 2.4 基于支持向量机的交通流均值变点分析方法 | 第29-35页 |
| 2.4.1 SVM的基本思想 | 第30-32页 |
| 2.4.2 MCPAM-SVM算法步骤 | 第32-33页 |
| 2.4.3 模型应用 | 第33-35页 |
| 2.5 本章小结 | 第35-36页 |
| 第三章 基于伽马分布变点检验的交通流演化规律辨识方法 | 第36-48页 |
| 3.1 结论及证明 | 第36-41页 |
| 3.1.1 基本定义及相关性质 | 第36-40页 |
| 3.1.2 结论 | 第40页 |
| 3.1.3 结论的证明 | 第40-41页 |
| 3.2 Γ分布的变点检验算法 | 第41-44页 |
| 3.2.1 方差已知时的伽马分布变点检验算法 | 第42页 |
| 3.2.2 方差未知时的伽马分布变点检验算法 | 第42-43页 |
| 3.2.3 伽马分布变点检验算法的一般步骤 | 第43-44页 |
| 3.3 实例验证 | 第44-47页 |
| 3.3.1 数据来源 | 第44页 |
| 3.3.2 算法流程 | 第44-45页 |
| 3.3.3 实验结果 | 第45-47页 |
| 3.4 小章总结 | 第47-48页 |
| 第四章 适应交通流演化的伽马分布形状参数估计 | 第48-59页 |
| 4.1 伽马分布形状参数估计的一般步骤 | 第48-49页 |
| 4.2 伽马分布形状参数的估计过程 | 第49-53页 |
| 4.2.1 数据来源 | 第49页 |
| 4.2.2 算法流程 | 第49-50页 |
| 4.2.3 仿真结果 | 第50-53页 |
| 4.3 适应交通流演化的伽马分布形状参数估计 | 第53-57页 |
| 4.3.1 适应交通流量变的伽马分布形状参数估计 | 第53-54页 |
| 4.3.2 适应交通流质变的伽马分布形状参数估计 | 第54-57页 |
| 4.4 伽马分布形状参数估计范围的确定 | 第57-58页 |
| 4.5 本章小结 | 第58-59页 |
| 第五章 基于模糊综合评判的交通流最佳采样间隔研究 | 第59-69页 |
| 5.1 模糊综合评判 | 第59-64页 |
| 5.1.1 基本概念 | 第59-63页 |
| 5.1.2 基于模糊综合评判的交通流最佳采样间隔算法步骤 | 第63-64页 |
| 5.2 模型应用 | 第64-68页 |
| 5.2.1 数据来源 | 第64-65页 |
| 5.2.2 算法流程 | 第65页 |
| 5.2.3 结果分析 | 第65-68页 |
| 5.3 本章小结 | 第68-69页 |
| 第六章 基于动态贝叶斯网络的交通流状态辨识方法研究 | 第69-80页 |
| 6.1 动态贝叶斯网络 | 第69-73页 |
| 6.1.1 静态贝叶斯网络 | 第69-71页 |
| 6.1.2 动态贝叶斯网络模型 | 第71-72页 |
| 6.1.3 动态贝叶斯网络模型动态推理 | 第72-73页 |
| 6.2 动态贝叶斯网络在交通流状态辨识中的应用 | 第73-76页 |
| 6.2.1 动态贝叶斯网络的构造 | 第73-75页 |
| 6.2.2 条件概率与转移概率的确定 | 第75-76页 |
| 6.3 仿真实验 | 第76-79页 |
| 6.3.1 算法流程 | 第76-77页 |
| 6.3.2 建模仿真 | 第77-79页 |
| 6.4 本章小结 | 第79-80页 |
| 第七章 总结与展望 | 第80-82页 |
| 7.1 本文研究的主要成果及独到之处 | 第80-81页 |
| 7.2 进一步研究的建议 | 第81-82页 |
| 致谢 | 第82-83页 |
| 参考文献 | 第83-89页 |
| 攻读硕士学位期间发表的学术论文及其它成果 | 第89-90页 |
