车联网条件下的城市交通路径诱导技术研究
| 摘要 | 第6-7页 |
| Abstract | 第7页 |
| 第1章 绪论 | 第11-18页 |
| 1.1 选题背景及意义 | 第11-12页 |
| 1.2 基于车联网的交通诱导关键技术研究综述 | 第12-14页 |
| 1.2.1 交通信息采集技术 | 第12页 |
| 1.2.2 交通信息融合技术 | 第12-13页 |
| 1.2.3 短时交通流预测技术 | 第13-14页 |
| 1.2.4 路径优化技术 | 第14页 |
| 1.3 车联网条件下的城市交通路径诱导系统框架 | 第14-16页 |
| 1.4 本文研究内容及章节安排 | 第16-18页 |
| 第2章 车联网条件下的交通信息采集技术研究 | 第18-31页 |
| 2.1 概述 | 第18页 |
| 2.2 交通信息需求分析 | 第18-19页 |
| 2.3 交通信息采集技术 | 第19-20页 |
| 2.3.1 固定型信息采集技术 | 第19页 |
| 2.3.2 移动型信息采集技术 | 第19-20页 |
| 2.4 车联网条件下的信息采集技术 | 第20-27页 |
| 2.4.1 车车/车路通信技术 | 第21-22页 |
| 2.4.2 智能车载系统技术 | 第22-24页 |
| 2.4.3 智能路侧系统技术 | 第24-27页 |
| 2.5 交通信息在车联网中传输路径研究 | 第27-30页 |
| 2.6 本章小结 | 第30-31页 |
| 第3章 RFID辅助下的GPS定位技术研究 | 第31-38页 |
| 3.1 概述 | 第31页 |
| 3.2 车联网条件下的交通信息特点分析 | 第31-32页 |
| 3.3 动态交通数据处理 | 第32-35页 |
| 3.3.1 GPS数据的处理 | 第32-34页 |
| 3.3.2 RFID数据的清洗 | 第34-35页 |
| 3.4 基于RFID辅助的GPS定位技术 | 第35-37页 |
| 3.5 本章小结 | 第37-38页 |
| 第4章 基于小波神经网络的短时交通流预测技术研究 | 第38-48页 |
| 4.1 概述 | 第38页 |
| 4.2 短时交通流特性及其预测原理 | 第38-39页 |
| 4.2.1 短时交通流特性 | 第38-39页 |
| 4.2.2 短时交通流预测基本原理 | 第39页 |
| 4.3 小波神经网络概述 | 第39-42页 |
| 4.3.1 小波理论 | 第39-40页 |
| 4.3.2 小波神经网络 | 第40-42页 |
| 4.4 基于小波神经网络的短时行驶速度预测 | 第42-47页 |
| 4.4.1 模型建立 | 第42-43页 |
| 4.4.2 短时行驶速度预测评价指标 | 第43-44页 |
| 4.4.3 实例仿真及结果分析 | 第44-46页 |
| 4.4.4 短时交通流预测技术研究趋势 | 第46-47页 |
| 4.5 本章小结 | 第47-48页 |
| 第5章 基于蚁群算法的路径优化技术研究 | 第48-69页 |
| 5.1 概述 | 第48页 |
| 5.2 蚁群算法 | 第48-59页 |
| 5.2.1 蚁群算法简介 | 第48-53页 |
| 5.2.2 几种经典的改进蚁群算法 | 第53-57页 |
| 5.2.3 蚁群算法的改进 | 第57-59页 |
| 5.3 基于短时交通信息的城市交通路网模型 | 第59-63页 |
| 5.3.1 基于交通信息的出行路径选择行为分析 | 第59-61页 |
| 5.3.2 基于短时交通信息的行程时间分析 | 第61页 |
| 5.3.3 基于短时交通信息的路径优化模型 | 第61-62页 |
| 5.3.4 改进蚁群算法在路径优化中的具体设计 | 第62-63页 |
| 5.4 实例分析 | 第63-68页 |
| 5.4.1 路径诱导模型建立 | 第63-64页 |
| 5.4.2 实例仿真及分析 | 第64-68页 |
| 5.5 本章小结 | 第68-69页 |
| 结论 | 第69-70页 |
| 致谢 | 第70-71页 |
| 参考文献 | 第71-75页 |
| 攻读硕士学位期间发表的论文及科研成果 | 第75页 |
