| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第14-20页 |
| 1.1 研究背景及意义 | 第14-15页 |
| 1.2 国内外研究进展 | 第15-18页 |
| 1.2.1 短时交通流预测方法研究进展 | 第15-17页 |
| 1.2.2 城市区域交通的控制策略研究进展 | 第17-18页 |
| 1.3 研究目的及论文结构安排 | 第18-19页 |
| 1.4 本章小结 | 第19-20页 |
| 第二章 关联交叉口交通流预测控制系统总体框架 | 第20-24页 |
| 2.1 总体框架 | 第20-21页 |
| 2.2 短时交通流预测方法设计模块 | 第21-23页 |
| 2.3 关联交叉口交通信号配时参数优化模块 | 第23页 |
| 2.4 本章小结 | 第23-24页 |
| 第三章 城市关联交叉口交通流混沌特性分析 | 第24-35页 |
| 3.1 混沌分析原理及方法 | 第24-26页 |
| 3.1.1 混沌数学理论基础 | 第24-25页 |
| 3.1.2 短时交通流数据集 | 第25-26页 |
| 3.2 短时交通流数据集相空间重构 | 第26-31页 |
| 3.2.1 相空间重构简介 | 第26-27页 |
| 3.2.2 短时交通流数据集延迟时间选择 | 第27-29页 |
| 3.2.3 短时交通流数据集嵌入维数选择 | 第29-31页 |
| 3.3 短时交通流数据集混沌特性判别 | 第31-34页 |
| 3.3.1 李雅普诺夫指数计算方法 | 第31-32页 |
| 3.3.2 短时交通流数据集李雅普诺夫指数计算 | 第32-34页 |
| 3.4 本章小结 | 第34-35页 |
| 第四章 基于EMD-GRU的短时交通流时间序列预测 | 第35-45页 |
| 4.1 引言 | 第35-40页 |
| 4.1.1 经验模态分解算法 | 第35-38页 |
| 4.1.2 门控制单元循环神经网络 | 第38-40页 |
| 4.2 EMD-GRU组合模型方法设计 | 第40-41页 |
| 4.3 基于EMD-GRU的短时交通流预测 | 第41-44页 |
| 4.4 本章小结 | 第44-45页 |
| 第五章 基于遗传算法的城市关联交叉口信号控制及参数优化方法 | 第45-52页 |
| 5.1 常见交通信号控制及参数优化方法 | 第45-46页 |
| 5.1.1 交通信号控制方法 | 第45页 |
| 5.1.2 控制参数优化方法 | 第45-46页 |
| 5.2 关联交叉口信号控制配时参数优化的遗传算法应用 | 第46-51页 |
| 5.2.1 关联交叉口定义 | 第46-47页 |
| 5.2.2 信号交叉口平均延误计算方法 | 第47-49页 |
| 5.2.3 基于遗传算法的关联交叉口信号控制配时优化方法 | 第49-51页 |
| 5.3 本章小结 | 第51-52页 |
| 第六章 城市关联交叉口交通流预测控制优化实例仿真与分析 | 第52-61页 |
| 6.1 数据来源 | 第52页 |
| 6.2 仿真环境与参数设置 | 第52-53页 |
| 6.3 仿真结果及分析 | 第53-60页 |
| 6.3.1 交通流量预测 | 第53-56页 |
| 6.3.2 优化仿真求解配时参数 | 第56-60页 |
| 6.4 本章小结 | 第60-61页 |
| 总结及展望 | 第61-63页 |
| 参考文献 | 第63-68页 |
| 致谢 | 第68页 |
