| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第1章 绪论 | 第10-18页 |
| 1.1 课题相关背景 | 第10-12页 |
| 1.2 课题的意义 | 第12-13页 |
| 1.3 国内外研究现状 | 第13-14页 |
| 1.4 国内外的公交到站时间预测算法 | 第14-16页 |
| 1.4.1 历史平均法 | 第14-15页 |
| 1.4.2 BP神经网络 | 第15页 |
| 1.4.3 基于动态百分位 | 第15-16页 |
| 1.4.4 支持向量机 | 第16页 |
| 1.5 论文的主要工作 | 第16页 |
| 1.6 论文的组织与结构 | 第16-18页 |
| 第2章 公交到站预测影响因素以及相关技术分析 | 第18-24页 |
| 2.1 公交到站时间影响因素分析 | 第18页 |
| 2.2 影响到站预测数据的精度因素 | 第18-19页 |
| 2.3 公交停靠站分类 | 第19-20页 |
| 2.3.1 按位置分类 | 第19-20页 |
| 2.3.2 按站台类型分类 | 第20页 |
| 2.4 公交到站预测系统模块 | 第20-22页 |
| 2.5 GPS定位技术原理 | 第22-23页 |
| 2.6 本章小结 | 第23-24页 |
| 第3章 相关算法介绍 | 第24-34页 |
| 3.1 概述 | 第24页 |
| 3.2 支持向量机算法 | 第24-28页 |
| 3.2.1 支持向量机算法介绍 | 第24-28页 |
| 3.2.2 支持向量机回归 | 第28页 |
| 3.2.3 支持向量机的优点 | 第28页 |
| 3.3 卡尔曼滤波算法 | 第28-32页 |
| 3.3.1 卡尔曼滤波算法介绍 | 第29页 |
| 3.3.2 最优滤波问题 | 第29-30页 |
| 3.3.3 卡尔曼滤波的基本过程 | 第30-32页 |
| 3.4 多新息理论 | 第32-33页 |
| 3.5 本章小结 | 第33-34页 |
| 第4章 静态和动态算法结合的公交到站预测系统 | 第34-47页 |
| 4.1 数据预处理 | 第34-36页 |
| 4.1.1 数据预处理流程 | 第34-35页 |
| 4.1.2 GPS异常数据的识别 | 第35页 |
| 4.1.3 GPS异常数据的修补方法 | 第35页 |
| 4.1.4 对异常数据的处理 | 第35-36页 |
| 4.2 实验工具的选择 | 第36-41页 |
| 4.2.1 LIBSVM介绍 | 第37页 |
| 4.2.2 LIBSVM的使用方法 | 第37-41页 |
| 4.3 公交车到站时间预测系统设计 | 第41页 |
| 4.4 到站时间预测模型 | 第41-46页 |
| 4.4.1 SVM回归预测 | 第42-43页 |
| 4.4.2 标准的动态卡尔曼滤波修正 | 第43-44页 |
| 4.4.3 改进的多新息卡尔曼滤波修正 | 第44页 |
| 4.4.4 基于多新息的改进卡尔曼滤波算法 | 第44-45页 |
| 4.4.5 标准kalman和改进kakman算法结果对比分析 | 第45-46页 |
| 4.5 本章小结 | 第46-47页 |
| 第5章 公交到站时间预测实例分析 | 第47-59页 |
| 5.1 公交到站实例研究 | 第47-51页 |
| 5.1.1 实验的环境 | 第47-48页 |
| 5.1.2 实验的数据 | 第48-51页 |
| 5.2 预测算法性能评估指标 | 第51-52页 |
| 5.3 实验结果与对比分析 | 第52-58页 |
| 5.3.1 SVM回归预测 | 第52-55页 |
| 5.3.2 SVM回归结合标准卡尔曼滤波 | 第55-56页 |
| 5.3.3 SVM回归结合多新息卡尔曼滤波 | 第56-57页 |
| 5.3.4 结果分析 | 第57-58页 |
| 5.4 本章小结 | 第58-59页 |
| 第6章 总结与展望 | 第59-61页 |
| 6.1 总结 | 第59页 |
| 6.2 展望 | 第59-61页 |
| 致谢 | 第61-62页 |
| 参考文献 | 第62-66页 |
| 附录 | 第66-67页 |
| 详细摘要 | 第67-69页 |