| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7-8页 |
| 1 绪论 | 第12-22页 |
| 1.1 研究背景及意义 | 第12-14页 |
| 1.1.1 研究背景 | 第12-13页 |
| 1.1.2 研究意义 | 第13-14页 |
| 1.2 短时交通流预测研究现状 | 第14-19页 |
| 1.2.1 短时交通流预测研究方法综述 | 第14-17页 |
| 1.2.2 基于时空关联的短时交通流预测研究现状 | 第17-19页 |
| 1.3 研究内容及技术路线 | 第19-22页 |
| 1.3.1 研究内容 | 第19-20页 |
| 1.3.2 技术路线 | 第20-22页 |
| 2 快速路交通流特性分析 | 第22-40页 |
| 2.1 交通流三参数模型 | 第22-25页 |
| 2.2 相关性分析理论 | 第25-28页 |
| 2.3 交通流时间相关性分析 | 第28-33页 |
| 2.3.1 交通流数据时间相关性分析 | 第28-30页 |
| 2.3.2 交通流数据时间序列分析 | 第30-33页 |
| 2.4 交通流空间相关性分析 | 第33-38页 |
| 2.4.1 交通流数据空间相关性分析 | 第33-35页 |
| 2.4.2 交通流空间断面分组分析 | 第35-38页 |
| 2.5 小结 | 第38-40页 |
| 3 微波数据采集及预处理 | 第40-54页 |
| 3.1 微波数据采集 | 第40-43页 |
| 3.1.1 微波检测器数据采集 | 第40-42页 |
| 3.1.2 断面交通流数据整合 | 第42-43页 |
| 3.2 交通流异常数据识别 | 第43-47页 |
| 3.2.1 时间点规则化 | 第43-44页 |
| 3.2.2 缺失数据 | 第44-45页 |
| 3.2.3 错误数据 | 第45-47页 |
| 3.3 交通流异常数据修复 | 第47-51页 |
| 3.3.1 异常数据修复方法 | 第47-49页 |
| 3.3.2 基于时空数据的GM(1,N)修复模型 | 第49-51页 |
| 3.4 交通流数据预处理实例分析 | 第51-53页 |
| 3.5 小结 | 第53-54页 |
| 4 基于时空关联的短时交通流预测 | 第54-68页 |
| 4.1 基于时空关联的神经网络预测模型 | 第54-59页 |
| 4.1.1 Elman动态神经网络简介 | 第54-55页 |
| 4.1.2 遗传算法优化Elman神经网络 | 第55-58页 |
| 4.1.3 基于的时间-空间状态向量的GA-Elman预测模型 | 第58-59页 |
| 4.2 基于时空关联的状态空间预测模型 | 第59-66页 |
| 4.2.1 状态空间模型概述 | 第59-60页 |
| 4.2.2 多维时间序列分析 | 第60-61页 |
| 4.2.3 无迹卡尔曼滤波算法 | 第61-65页 |
| 4.2.4 基于多维时空关联数据的状态空间预测模型 | 第65-66页 |
| 4.3 小结 | 第66-68页 |
| 5 实例分析 | 第68-84页 |
| 5.1 误差评价指标 | 第68页 |
| 5.2 预测结果分析 | 第68-82页 |
| 5.2.1 基于时空关联的神经网络模型实例分析 | 第68-74页 |
| 5.2.2 基于时空关联的状态空间模型实例分析 | 第74-82页 |
| 5.3 预测结果比对 | 第82-83页 |
| 5.4 小结 | 第83-84页 |
| 6 研究总结与展望 | 第84-86页 |
| 6.1 主要研究结论 | 第84-85页 |
| 6.2 研究展望 | 第85-86页 |
| 参考文献 | 第86-90页 |
| 附录A | 第90-92页 |
| 附录B | 第92-96页 |
| 作者简历及攻读硕士学位期间取得的研究成果 | 第96-100页 |
| 学位论文数据集 | 第100页 |