基于隐马尔可夫模型的车辆行程时间预测方法研究
摘要 | 第1-12页 |
Abstract | 第12-14页 |
第1章 绪论 | 第14-26页 |
·选题背景和意义 | 第14-17页 |
·城市交通问题 | 第14页 |
·智能交通系统 | 第14-16页 |
·车联网 | 第16-17页 |
·国内外研究现状 | 第17-20页 |
·交通预测理论的国外研究现状 | 第17-19页 |
·车辆行程时间预测的研究现状与趋势 | 第19-20页 |
·研究中存在的问题 | 第20-22页 |
·研究内容 | 第22-23页 |
·论文的组织结构 | 第23-26页 |
第2章 相关工作 | 第26-38页 |
·引言 | 第26页 |
·短时交通预测技术 | 第26-29页 |
·马尔可夫模型相关理论 | 第29-32页 |
·马尔可夫模型 | 第29-30页 |
·状态转移 | 第30-31页 |
·隐马尔可夫模型 | 第31-32页 |
·交通仿真平台 | 第32-37页 |
·建立路网模型 | 第32-34页 |
·参数设定 | 第34-36页 |
·仿真参数校对 | 第36-37页 |
·本章小结 | 第37-38页 |
第3章 车辆行程时间数据处理 | 第38-46页 |
·引言 | 第38页 |
·交通GPS数据 | 第38-41页 |
·统一数据格式 | 第38-39页 |
·数据预处理 | 第39-41页 |
·地图匹配技术 | 第41-42页 |
·行程时间数据匹配 | 第42-44页 |
·本章小结 | 第44-46页 |
第4章 车辆行程时间预测中的聚类模型 | 第46-69页 |
·引言 | 第46-47页 |
·车辆行程时间的距离度量 | 第47-54页 |
·问题分析 | 第47页 |
·度量方法比较 | 第47-51页 |
·基于相似性与关联性的距离度量 | 第51-54页 |
·基于聚类的车辆行程时间预测模型的学习问题 | 第54-59页 |
·时间性和关联性聚类算法 | 第54-56页 |
·扩展的维特比算法 | 第56-57页 |
·算法效率分析 | 第57-59页 |
·车辆行程时间预测模型迭代 | 第59-60页 |
·实验 | 第60-67页 |
·实验环境和实验数据 | 第60页 |
·评价标准 | 第60-61页 |
·实验基准方法 | 第61-62页 |
·实验分析 | 第62-67页 |
·本章小结 | 第67-69页 |
第5章 车辆行程时间预测状态空间模型 | 第69-89页 |
·引言 | 第69-70页 |
·狄利克雷过程理论 | 第70-74页 |
·Stick-Breaking构造过程 | 第71-72页 |
·中餐馆构造过程 | 第72-74页 |
·车辆行程时间在线预测模型 | 第74-79页 |
·模型构造过程 | 第74-77页 |
·预测模型的隐状态内的分布估计 | 第77-79页 |
·车辆行程时间预测模型的超参采样 | 第79-84页 |
·吉布斯采样 | 第79-80页 |
·变分推断 | 第80-81页 |
·针对非参数模型的截断推断方法 | 第81-84页 |
·实验 | 第84-87页 |
·实验环境和实验数据 | 第84-85页 |
·性能评价 | 第85-87页 |
·参数分析 | 第87页 |
·本章小结 | 第87-89页 |
第6章 车辆行程时间估计方法的道路模型 | 第89-107页 |
·引言 | 第89-90页 |
·方法框架 | 第90-91页 |
·N阶近邻路网的车辆行程时间预测模型 | 第91-99页 |
·路网模型 | 第91-92页 |
·行程时间数据处理 | 第92-93页 |
·N阶状态依赖模型 | 第93-95页 |
·基于DPMM的聚类 | 第95-98页 |
·模型参数学习 | 第98-99页 |
·车辆行程时间估计方法 | 第99-100页 |
·实验 | 第100-106页 |
·实验环境和实验数据 | 第100-101页 |
·评价标准 | 第101-102页 |
·参数分析 | 第102-103页 |
·时间预测 | 第103-106页 |
·本章小结 | 第106-107页 |
第7章 总结 | 第107-110页 |
·工作总结 | 第107-108页 |
·本文贡献 | 第108-109页 |
·未来研究展望 | 第109-110页 |
参考文献 | 第110-121页 |
攻读博士期间的科研成果 | 第121-122页 |
致谢 | 第122页 |