| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-16页 |
| 1.1 课题研究背景 | 第10页 |
| 1.2 智能停车诱导系统简介 | 第10-11页 |
| 1.3 PGIS的国外研究状况 | 第11-12页 |
| 1.4 PGIS的国内研究状况 | 第12-14页 |
| 1.5 本文的研究内容和章节安排 | 第14-16页 |
| 第二章 天津站地区附近停车场分析和建模 | 第16-24页 |
| 2.1 天津站地区对智能停车诱导系统的需求分析 | 第16-17页 |
| 2.2 智能停车诱导系统的基本概念及功能 | 第17-18页 |
| 2.3 智能停车诱导系统的关键技术分析 | 第18-20页 |
| 2.4 天津站地区主要停车场分析和建模 | 第20-23页 |
| 2.4.1 天津站主要停车场及路况分析 | 第20-22页 |
| 2.4.2 路网的表示 | 第22-23页 |
| 2.5 路况及停车场参数的动态调整 | 第23页 |
| 2.6 小结 | 第23-24页 |
| 第三章 基于自适应遗传算法的最优路径选择 | 第24-34页 |
| 3.1 遗传算法的基本概念 | 第24-25页 |
| 3.2 群体的初始化 | 第25-26页 |
| 3.3 个体的适应度分析 | 第26-27页 |
| 3.4 遗传算法的基本操作 | 第27-31页 |
| 3.4.1 对个体的选择 | 第27-28页 |
| 3.4.2 自适应交叉算子 | 第28-30页 |
| 3.4.3 自适应变异算子 | 第30-31页 |
| 3.5 实验结果与分析 | 第31-33页 |
| 3.6 小结 | 第33-34页 |
| 第四章 短时间内有效停车位预测分析 | 第34-49页 |
| 4.1 短时间内有效停车泊位预测问题分析 | 第34-35页 |
| 4.2 有效停车泊位的传统预测方法介绍 | 第35-36页 |
| 4.3 小波神经网络预测模型 | 第36-38页 |
| 4.3.1 小波理论 | 第36-37页 |
| 4.3.2 小波神经网络概述 | 第37-38页 |
| 4.4 小波神经网络模型的建立及预测流程分析 | 第38-42页 |
| 4.4.1 模型的建立及参数控制 | 第38-39页 |
| 4.4.2 小波神经网络对有效停车泊位的预测过程分析 | 第39-41页 |
| 4.4.3 算法的程序设计实现 | 第41-42页 |
| 4.5 用小波神经网络模型进行车位预测分析 | 第42-43页 |
| 4.6 基于粒子群优化的小波神经网络预测模型 | 第43-48页 |
| 4.6.1 粒子群优化算法 | 第44页 |
| 4.6.2 粒子群优化算法流程分析 | 第44-45页 |
| 4.6.3 用粒子群优化小波神经网络 | 第45-46页 |
| 4.6.4 用粒子群优化的模型对车位进行预测 | 第46-48页 |
| 4.7 小结 | 第48-49页 |
| 第五章 基于多元Logit模型的最优停车场选择 | 第49-60页 |
| 5.1 离散选择模型与效用理论 | 第49-51页 |
| 5.2 多元Logit模型的基本理论 | 第51-52页 |
| 5.3 停车场的选择影响因素分析 | 第52-54页 |
| 5.4 基于Logit模型的最优停车场选择及实现 | 第54-57页 |
| 5.4.1 停车场选择优化思想 | 第54页 |
| 5.4.2 基于Logit模型的停车场选择路径优化方法的实现 | 第54-55页 |
| 5.4.3 特征参量及效用函数的选择 | 第55-57页 |
| 5.5 试验结果与分析 | 第57-59页 |
| 5.6 小结 | 第59-60页 |
| 第六章 总结与展望 | 第60-62页 |
| 6.1 本文总结 | 第60-61页 |
| 6.2 未来展望 | 第61-62页 |
| 参考文献 | 第62-65页 |
| 发表论文和参加科研情况说明 | 第65-66页 |
| 致谢 | 第66-67页 |