| 中文摘要 | 第3-4页 |
| 英文摘要 | 第4页 |
| 1 绪论 | 第7-15页 |
| 1.1 研究意义 | 第7-8页 |
| 1.2 国内外研究现状 | 第8-13页 |
| 1.2.1 交通参数提取研究现状 | 第8-10页 |
| 1.2.2 短时交通流预测研究现状 | 第10-13页 |
| 1.3 本文主要研究内容 | 第13-15页 |
| 2 城市道路交通流量参数提取 | 第15-27页 |
| 2.1 车辆检测方法概述 | 第15-17页 |
| 2.2 视频图像前景提取 | 第17-22页 |
| 2.2.1 背景建模方法分析 | 第17-19页 |
| 2.2.2 背景建模及前景提取 | 第19-20页 |
| 2.2.3 背景模型参数估计改进 | 第20-22页 |
| 2.3 复杂环境下的车辆检测 | 第22-25页 |
| 2.3.1 阴影环境下的车辆检测 | 第22-24页 |
| 2.3.2 光线不足环境下的车辆检测 | 第24-25页 |
| 2.4 本章小结 | 第25-27页 |
| 3 城市道路交通短时交通流预测 | 第27-48页 |
| 3.1 短时交通流预测概述 | 第27-30页 |
| 3.1.1 交通流特性分析 | 第27-28页 |
| 3.1.2 短时交通流预测模型建立原则 | 第28-29页 |
| 3.1.3 短时交通流量预测评价指标 | 第29-30页 |
| 3.2 基于实时数据的预测结果获取 | 第30-35页 |
| 3.2.1 卡尔曼滤波原理 | 第30-32页 |
| 3.2.2 短时交通流预测状态空间模型建立 | 第32-34页 |
| 3.2.3 预测算法流程 | 第34-35页 |
| 3.3 基于历史数据的预测结果获取 | 第35-43页 |
| 3.3.1 常用时间序列预测方法 | 第35-37页 |
| 3.3.2 历史数据故障识别与修正 | 第37-39页 |
| 3.3.3 预测方法参数设定及算法流程 | 第39-43页 |
| 3.4 基于实时数据和历史数据的预测结果融合 | 第43-47页 |
| 3.4.1 信息融合方法概述 | 第43-45页 |
| 3.4.2 基于最小方差加权平均法的短时交通流预测 | 第45-47页 |
| 3.5 本章小结 | 第47-48页 |
| 4 实验仿真及分析 | 第48-59页 |
| 4.1 交通流参数提取实验结果及分析 | 第48-53页 |
| 4.1.1 前景提取实验结果及分析 | 第48-49页 |
| 4.1.2 复杂环境车辆检测实验结果及分析 | 第49-50页 |
| 4.1.3 车流量提取实验结果及分析 | 第50-53页 |
| 4.2 短时交通流预测仿真结果及分析 | 第53-59页 |
| 4.2.1 基于实时数据的短时交通流预测仿真结果及分析 | 第53-55页 |
| 4.2.2 基于历史数据的短时交通流预测仿真结果及分析 | 第55-57页 |
| 4.2.3 基于数据融合的短时交通流预测仿真结果及分析 | 第57-59页 |
| 5 总结与展望 | 第59-61页 |
| 致谢 | 第61-62页 |
| 参考文献 | 第62-65页 |
