交通流预测与配流的研究
| 0 前言 | 第1-12页 |
| 0．1 研究背景 | 第7-8页 |
| 0．2 研究现状 | 第8-10页 |
| 0．3 本文的主要工作 | 第10-11页 |
| 0．4 本文结构 | 第11-12页 |
| 1 广义神经网络的研究及其在交通流预测中的应用 | 第12-26页 |
| 1．1 问题提出 | 第12-13页 |
| 1．2 传统BP神经网络分析 | 第13页 |
| 1．3 智能神经元模型 | 第13-16页 |
| 1．4 广义神经网络模型及学习算法 | 第16-20页 |
| 1．5 交通流预测模型与实例分析 | 第20-22页 |
| 1．6 行程时间的推算 | 第22-24页 |
| 1．7 基于交通流预测的交通诱导系统的模型 | 第24-25页 |
| 1．8 小结 | 第25-26页 |
| 2 最优控制动态交通分配的并行遗传算法 | 第26-35页 |
| 2．1 问题提出 | 第26-27页 |
| 2．2 交通网络动态配流的分类 | 第27-28页 |
| 2．3 最优控制动态交通分配及其遗传算法模型 | 第28-30页 |
| 2．4 交通分配模型的主从式并行遗传算法 | 第30-31页 |
| 2．5 并行环境及提高并行性能的主要方法 | 第31-32页 |
| 2．6 网络算例研究 | 第32-33页 |
| 2．7 小结 | 第33-35页 |
| 3 基于网格环境的交通流预测的研究 | 第35-51页 |
| 3．1 问题提出 | 第35页 |
| 3．2 网格计算技术简介 | 第35-38页 |
| 3．2．1 网格基本结构 | 第35-37页 |
| 3．2．2 globus项目简介 | 第37-38页 |
| 3．3 网格计算平台的实施 | 第38-44页 |
| 3．3．1 网格实验平台结构 | 第38-39页 |
| 3．3．2 Globus软件包安装与调试过程 | 第39-43页 |
| 3．3．3 最短路径问题在网格环境下的实现 | 第43-44页 |
| 3．4 理工大学计算网格模型的构建 | 第44-46页 |
| 3．4．1 硬件环境描述 | 第44页 |
| 3．4．2 软件环境描述 | 第44-46页 |
| 3．5 基于网格的交通信号控制系统 | 第46-49页 |
| 3．5．1 交通信号控制系统内站设备 | 第46-47页 |
| 3．5．2 交通信号控制系统外站设备 | 第47-48页 |
| 3．5．3 网格环境下的交通控制系统模型 | 第48-49页 |
| 3．6 网格环境下交通预测的研究讨论 | 第49-50页 |
| 3．7 小结 | 第50-51页 |
| 结论与展望 | 第51-52页 |
| 参考文献 | 第52-55页 |
