交通诱导系统的流量预测和路径优化并行算法研究
| 摘要 | 第1-5页 |
| Abstract | 第5-9页 |
| 1 绪论 | 第9-14页 |
| ·研究背景和研究意义 | 第9-10页 |
| ·研究现状 | 第10-12页 |
| ·交通流预测的研究现状 | 第10-11页 |
| ·最短路径算法的研究现状 | 第11-12页 |
| ·本文主要研究内容 | 第12页 |
| ·本文组织结构 | 第12-14页 |
| 2 并行计算与交通流诱导系统模型 | 第14-23页 |
| ·并行计算的必要性 | 第14-15页 |
| ·并行计算平台 | 第15-17页 |
| ·硬件平台 | 第15-16页 |
| ·软件平台 | 第16-17页 |
| ·并行编程模式 | 第17-19页 |
| ·并行编程模式分类 | 第17-18页 |
| ·适合机群系统的SPMD并行算法 | 第18-19页 |
| ·并行算法性能评估 | 第19-20页 |
| ·交通诱导系统及并行化策略 | 第20-23页 |
| ·交通诱导系统 | 第20-22页 |
| ·交通流诱导系统并行化策略 | 第22-23页 |
| 3 交通流预测的并行算法 | 第23-35页 |
| ·交通流预测模型 | 第23页 |
| ·人工神经网络模型 | 第23-24页 |
| ·反向传播(BP)神经网络 | 第24-27页 |
| ·前馈神经网络的结构和工作原理 | 第24-25页 |
| ·反向传播(BP)学习算法 | 第25-27页 |
| ·神经网络并行训练方式 | 第27-29页 |
| ·基于碟形网络的数据并行训练方式 | 第29-31页 |
| ·通信时间对比分析 | 第31-32页 |
| ·理论对比分析 | 第31-32页 |
| ·实验对比分析 | 第32页 |
| ·实验 | 第32-35页 |
| 4 大规模路网并行流量预测 | 第35-44页 |
| ·整体流程模型 | 第35-36页 |
| ·流量数据的采集 | 第36-37页 |
| ·流量数据的预处理 | 第37-39页 |
| ·训练和预测 | 第39-40页 |
| ·多路段并行实验 | 第40-44页 |
| 5 路径优化的并行算法 | 第44-60页 |
| ·路径优化 | 第44-45页 |
| ·路径优化概述 | 第44页 |
| ·路径优化问题的数学描述 | 第44-45页 |
| ·路径优化问题的求解过程 | 第45页 |
| ·并行最短路径算法 | 第45-48页 |
| ·最短路径算法 | 第45-46页 |
| ·最短路径算法的并行策略 | 第46-47页 |
| ·网络分割 | 第47-48页 |
| ·METIS网络分割工具 | 第48-52页 |
| ·METIS简介 | 第48-49页 |
| ·METIS图划分 | 第49-51页 |
| ·分割后的附加工作 | 第51-52页 |
| ·DIKB最短路径算法 | 第52-54页 |
| ·并行算法程序设计 | 第54-56页 |
| ·实验 | 第56-60页 |
| ·数据源 | 第56页 |
| ·网络分割结果 | 第56-58页 |
| ·求解最短路径结果 | 第58-60页 |
| 结论 | 第60-61页 |
| 参考文献 | 第61-64页 |
| 攻读硕士学位期间发表学术论文情况 | 第64-65页 |
| 致谢 | 第65-66页 |
