| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 引言 | 第16页 |
| 1 绪论 | 第16-22页 |
| 1.1 研究背景 | 第16-19页 |
| 1.1.1 城市道路交通的发展趋势 | 第17页 |
| 1.1.2 国内外研究综述 | 第17-19页 |
| 1.2 研究的提出与目标 | 第19-20页 |
| 1.2.1 研究的出发点 | 第19-20页 |
| 1.2.2 研究的目标 | 第20页 |
| 1.3 研究内容与技术路线 | 第20-21页 |
| 1.3.1 研究内容 | 第20页 |
| 1.3.2 技术路线 | 第20-21页 |
| 1.4 本章小结 | 第21-22页 |
| 2 交通数据收集与处理技术研究 | 第22-51页 |
| 2.1 问题概述 | 第22-23页 |
| 2.2 主要的交通数据收集技术分析 | 第23-35页 |
| 2.2.1 线圈检测器 | 第23-26页 |
| 2.2.2 牌照、视频检测器 | 第26-27页 |
| 2.2.3 微波检测器 | 第27-30页 |
| 2.2.4 浮动车 | 第30-32页 |
| 2.2.5 手机终端收集 | 第32-34页 |
| 2.2.6 多源交通数据收集技术分析 | 第34-35页 |
| 2.3 基于故障数据判定的交通数据预处理 | 第35-43页 |
| 2.3.1 缺失/冗余数据判定 | 第35-37页 |
| 2.3.2 错误数据判定 | 第37-43页 |
| 2.4 基于故障数据修补的交通数据预处理 | 第43-46页 |
| 2.4.1 缺失数据修补 | 第43-44页 |
| 2.4.2 数据去冗余 | 第44-45页 |
| 2.4.3 错误数据修补 | 第45-46页 |
| 2.5 交通数据时空匹配 | 第46-50页 |
| 2.5.1 时间匹配 | 第47页 |
| 2.5.2 空间匹配 | 第47-50页 |
| 2.6 本章小结 | 第50-51页 |
| 3 交通数据融合技术研究 | 第51-87页 |
| 3.1 多源交通数据融合概述 | 第51-52页 |
| 3.2 数据融合的层级 | 第52-55页 |
| 3.2.1 数据级融合 | 第52-53页 |
| 3.2.2 特征级融合 | 第53-54页 |
| 3.2.3 决策级融合 | 第54页 |
| 3.2.4 各层级融合分析 | 第54-55页 |
| 3.3 主要数据融合方法分析 | 第55-62页 |
| 3.4 基于BP神经网络的融合算法模型改进 | 第62-72页 |
| 3.4.1 BP神经网络结构设计 | 第62-66页 |
| 3.4.2 改进的模型构建 | 第66-72页 |
| 3.5 实例检验 | 第72-86页 |
| 3.5.1 实验介绍 | 第72-77页 |
| 3.5.2 数据处理 | 第77-79页 |
| 3.5.3 模型训练 | 第79页 |
| 3.5.4 评价指标 | 第79-80页 |
| 3.5.5 模型有效性检验 | 第80-86页 |
| 3.6 本章小结 | 第86-87页 |
| 4 交通状态识别技术研究 | 第87-99页 |
| 4.1 主要交通状态识别方法分析 | 第87-88页 |
| 4.2 基于Vissim仿真的异常状态识别方法研究 | 第88-98页 |
| 4.2.1 应用需求 | 第88页 |
| 4.2.2 异常状态识别设计 | 第88-98页 |
| 4.3 本章小结 | 第98-99页 |
| 5 总结与展望 | 第99-101页 |
| 5.1 研究总结 | 第99页 |
| 5.2 研究展望 | 第99-101页 |
| 参考文献 | 第101-105页 |
| 在学研究成果 | 第105-107页 |
| 致谢 | 第107-108页 |