| 摘要 | 第3-5页 |
| ABSTRACT | 第5-7页 |
| 第一章 绪论 | 第11-21页 |
| 1.1 研究背景及意义 | 第11-13页 |
| 1.1.1 研究背景 | 第11-12页 |
| 1.1.2 研究意义 | 第12-13页 |
| 1.2 国内外研究现状 | 第13-17页 |
| 1.2.1 智能交通系统发展概述 | 第13-14页 |
| 1.2.2 国内外车联网研究现状 | 第14-16页 |
| 1.2.3 短时交通流预测研究现状 | 第16-17页 |
| 1.3 本文研究内容与组织结构 | 第17-21页 |
| 1.3.1 论文研究内容 | 第17-18页 |
| 1.3.2 论文组织结构 | 第18-21页 |
| 第二章 交通流预测方法研究 | 第21-29页 |
| 2.1 交通流预测研究方法 | 第21-24页 |
| 2.1.1 研究内容 | 第21-22页 |
| 2.1.2 交通流预测流程 | 第22-23页 |
| 2.1.3 交通流预测研究方法分类 | 第23-24页 |
| 2.2 短时交通流预测相关理论 | 第24-25页 |
| 2.2.1 短时交通流预测概念 | 第24-25页 |
| 2.2.2 短时交通流特性分析 | 第25页 |
| 2.3 短时交通流预测模型 | 第25-27页 |
| 2.3.1 短时交通流预测模型建立原则 | 第25-26页 |
| 2.3.2 短时交通流预测评价指标 | 第26-27页 |
| 2.3.3 短时交通流预测模型的选定 | 第27页 |
| 2.4 本章小结 | 第27-29页 |
| 第三章 车联网环境下动态实时交通流诱导模型 | 第29-45页 |
| 3.1 交通信息服务模式概述 | 第29-31页 |
| 3.1.1 交通信息服务模式介绍 | 第29页 |
| 3.1.2 交通信息服务必要性 | 第29-30页 |
| 3.1.3 交通信息服务的发布 | 第30-31页 |
| 3.2 车联网环境下动态实时交通流预测模型 | 第31-33页 |
| 3.2.1 动态实时交通流预测算法研究 | 第31-32页 |
| 3.2.2 大规模路网的并行计算需求 | 第32-33页 |
| 3.3 BP 神经网络模型 | 第33-37页 |
| 3.3.1 BP 算法原理 | 第33-34页 |
| 3.3.2 BP 算法实现流程 | 第34-36页 |
| 3.3.3 BP 算法特点及其局限性 | 第36-37页 |
| 3.4 遗传算法简介 | 第37-43页 |
| 3.4.1 遗传算法的产生 | 第37-38页 |
| 3.4.2 遗传算法基本原理 | 第38-42页 |
| 3.4.3 遗传算法的特征及应用 | 第42-43页 |
| 3.5 本章小结 | 第43-45页 |
| 第四章 ITS 中交通流参数检测 | 第45-61页 |
| 4.1 ITS 主要采集技术分类 | 第45-48页 |
| 4.1.1 固定型采集技术 | 第45-46页 |
| 4.1.2 移动型采集技术 | 第46-48页 |
| 4.2 车联网环境下可测参数 | 第48-51页 |
| 4.2.1 主要交通流参数 | 第48-50页 |
| 4.2.2 交通流数据特点 | 第50-51页 |
| 4.3 车联网仿真模型分类 | 第51-53页 |
| 4.3.1 宏观交通仿真模型 | 第51-52页 |
| 4.3.2 中观交通仿真模型 | 第52页 |
| 4.3.3 微观交通仿真模型 | 第52-53页 |
| 4.4 基于 RFID 的车联网模型 | 第53-54页 |
| 4.4.1 RFID 在 ITS 中的应用 | 第53页 |
| 4.4.2 模型结构 | 第53-54页 |
| 4.5 车联网环境下数据采集仿真实验 | 第54-59页 |
| 4.5.1 VISSIM 微观交通仿真系统简介 | 第54-55页 |
| 4.5.2 仿真流程 | 第55-58页 |
| 4.5.3 实验验证 | 第58-59页 |
| 4.6 本章小结 | 第59-61页 |
| 第五章 车联网环境下短时交通流预测方法研究 | 第61-79页 |
| 5.1 概述 | 第61页 |
| 5.1.1 问题描述 | 第61页 |
| 5.1.2 基本假设 | 第61页 |
| 5.2 数据预处理 | 第61-64页 |
| 5.2.1 数据过滤 | 第62页 |
| 5.2.2 错误数据产生原因 | 第62-63页 |
| 5.2.3 错误数据的判别 | 第63-64页 |
| 5.3 错误数据的修复 | 第64-66页 |
| 5.3.1 数据的选取 | 第64-65页 |
| 5.3.2 历史趋势和相邻补齐法修复错误数据 | 第65-66页 |
| 5.3.3 数据修复结果 | 第66页 |
| 5.4 基于神经网络的短时交通流预测方法 | 第66-69页 |
| 5.4.1 GA-BBP 算法基本思想 | 第67页 |
| 5.4.2 GA-BBP 算法设计 | 第67-69页 |
| 5.5 GA-BBP 算法验证实验 | 第69-74页 |
| 5.5.1 算法实现流程 | 第69-71页 |
| 5.5.2 算法性能评价 | 第71-74页 |
| 5.6 GA-BBP 的短时交通流预测模型仿真实验 | 第74-77页 |
| 5.6.1 算法实现 | 第74-75页 |
| 5.6.2 算法参数调整 | 第75-76页 |
| 5.6.3 仿真实验结果分析 | 第76-77页 |
| 5.7 本章小结 | 第77-79页 |
| 第六章 总结与展望 | 第79-81页 |
| 6.1 总结 | 第79-80页 |
| 6.2 展望 | 第80-81页 |
| 参考文献 | 第81-85页 |
| 致谢 | 第85-87页 |
| 攻读学位期间发表的学术论文 | 第87页 |