| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第10-16页 |
| 1.1 研究背景与意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.3 论文研究内容 | 第13-14页 |
| 1.4 论文组织结构 | 第14-16页 |
| 第二章 面向城市交通真实特性的简化路网模型 | 第16-28页 |
| 2.1 简化静态路网模型的描述 | 第16-22页 |
| 2.1.1 常见路网模型及其特点 | 第16-17页 |
| 2.1.2 简化静态路网的提出 | 第17-22页 |
| 2.2 简化动态路网模型的描述 | 第22-27页 |
| 2.2.1 基于时段划分的动态路网模型 | 第23-26页 |
| 2.2.2 基于行程时间短时预测的动态路网模型 | 第26-27页 |
| 2.3 本章小结 | 第27-28页 |
| 第三章 面向简化路网模型的行程时间采集方法 | 第28-40页 |
| 3.1 基于车牌图像识别的行程时间采集方法 | 第28-35页 |
| 3.1.1 车牌预处理 | 第30-32页 |
| 3.1.2 字符分割 | 第32-33页 |
| 3.1.3 归一化处理 | 第33页 |
| 3.1.4 特征提取 | 第33-34页 |
| 3.1.5 支持向量机训练 | 第34-35页 |
| 3.1.6 车牌识别 | 第35页 |
| 3.2 基于VISSIM微观仿真的行程时间采集方法 | 第35-38页 |
| 3.3 本章小结 | 第38-40页 |
| 第四章 行程时间短时预测模型 | 第40-56页 |
| 4.1 常用的行程时间预测方法 | 第40-44页 |
| 4.1.1 历史趋势法 | 第40-41页 |
| 4.1.2 时间序列模型 | 第41页 |
| 4.1.3 卡尔曼滤波 | 第41-42页 |
| 4.1.4 多元回归(非参数回归) | 第42页 |
| 4.1.5 仿真模型 | 第42-43页 |
| 4.1.6 神经网络法 | 第43-44页 |
| 4.2 支持向量机理论概述 | 第44-49页 |
| 4.2.1 线性支持向量机回归 | 第46-47页 |
| 4.2.2 非线性支持向量机回归 | 第47-48页 |
| 4.2.3 支持向量机回归的实现 | 第48-49页 |
| 4.3 行程时间短时预测的支持向量机回归模型 | 第49-55页 |
| 4.3.1 预测模型建立 | 第49-50页 |
| 4.3.2 核函数的选择、模型结构和参数寻优 | 第50-52页 |
| 4.3.3 实例分析 | 第52-55页 |
| 4.4 本章小结 | 第55-56页 |
| 第五章 动态最短路径算法 | 第56-72页 |
| 5.1 路径诱导原理 | 第56页 |
| 5.2 图论及其相关概念 | 第56-57页 |
| 5.3 经典最短路径算法概述 | 第57-62页 |
| 5.3.1 Dijkstra算法 | 第57-58页 |
| 5.3.2 Floyd算法 | 第58页 |
| 5.3.3 A~*算法 | 第58-59页 |
| 5.3.4 分层搜索算法 | 第59-60页 |
| 5.3.5 遗传算法 | 第60页 |
| 5.3.6 算法比较 | 第60-62页 |
| 5.4 动态最短路径算法 | 第62-65页 |
| 5.4.1 动态行程时间的表示 | 第62页 |
| 5.4.2 路段动态行程时间权值确定方法 | 第62-64页 |
| 5.4.3 基于改进Dijkstra的动态最短路径算法 | 第64-65页 |
| 5.5 实例验证 | 第65-70页 |
| 5.6 本章小结 | 第70-72页 |
| 第六章 总结与展望 | 第72-74页 |
| 致谢 | 第74-76页 |
| 参考文献 | 第76-80页 |
| 附录 | 第80-88页 |
| 作者简介及在研期间研究成果 | 第88页 |