基于交通数据融合技术的行程时间预测模型
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第13-20页 |
| 1.1 研究背景及意义 | 第13-14页 |
| 1.2 国内外研究现状 | 第14-18页 |
| 1.2.1 行程时间预测研究 | 第14-16页 |
| 1.2.2 数据融合技术及应用研究 | 第16-18页 |
| 1.3 论文研究的主要内容 | 第18-20页 |
| 第2章 交通数据的采集与处理技术 | 第20-32页 |
| 2.1 引言 | 第20页 |
| 2.2 人工交通数据采集 | 第20-21页 |
| 2.3 浮动车数据采集 | 第21-25页 |
| 2.3.1 浮动车辆定位 | 第21-22页 |
| 2.3.2 浮动车发射频率 | 第22页 |
| 2.3.3 浮动车样本量 | 第22-23页 |
| 2.3.4 浮动车路段行程时间分配 | 第23-24页 |
| 2.3.5 载有移动手机的探测车辆 | 第24-25页 |
| 2.4 微波检测器数据采集 | 第25-27页 |
| 2.4.1 微波检测器工作原理 | 第25-26页 |
| 2.4.2 微波检测器的优缺点 | 第26页 |
| 2.4.3 微波检测器的应用 | 第26-27页 |
| 2.5 视频检测数据采集 | 第27-29页 |
| 2.5.1 视频检测原理 | 第27-28页 |
| 2.5.2 视频数据的处理方法 | 第28-29页 |
| 2.6 蓝牙数据采集 | 第29-31页 |
| 2.7 小结 | 第31-32页 |
| 第3章 基于数据融合技术的行程时间预测方法 | 第32-41页 |
| 3.1 引言 | 第32页 |
| 3.2 行程时间预测 | 第32-37页 |
| 3.2.1 行程时间预测原理 | 第32-33页 |
| 3.2.2 行程时间预测方法 | 第33-36页 |
| 3.2.3 行程时间观测 | 第36-37页 |
| 3.3 数据融合技术 | 第37-39页 |
| 3.3.1 数据融合技术的定义 | 第37-38页 |
| 3.3.2 数据融合的方法 | 第38-39页 |
| 3.4 基于数据融合技术的行程时间预测方法 | 第39-40页 |
| 3.5 小结 | 第40-41页 |
| 第4章 行程时间预测的数据融合模型 | 第41-55页 |
| 4.1 引言 | 第41页 |
| 4.2 小波神经网络 | 第41-46页 |
| 4.2.1 神经网络简介 | 第41-42页 |
| 4.2.2 小波理论 | 第42-43页 |
| 4.2.3 小波神经网络用于数据融合的优势 | 第43-44页 |
| 4.2.4 小波神经网络的权值修正方法 | 第44-45页 |
| 4.2.5 小波神经网络算法实现 | 第45页 |
| 4.2.6 小波神经网络的不足 | 第45-46页 |
| 4.3 遗传算法优化神经网络 | 第46-50页 |
| 4.3.1 遗传算法简介 | 第46页 |
| 4.3.2 遗传算法优化小波神经网络参数 | 第46-50页 |
| 4.4 行程时间预测数据融合模型 | 第50-54页 |
| 4.4.1 融合模型的建立 | 第50-52页 |
| 4.4.2 校正目标阈值 | 第52页 |
| 4.4.3 编程实现 | 第52-54页 |
| 4.5 小结 | 第54-55页 |
| 第5章 清远市城市路网行程时间预测 | 第55-65页 |
| 5.1 研究范围 | 第55页 |
| 5.2 交通数据采集与处理 | 第55-60页 |
| 5.2.1 现场调查 | 第55-57页 |
| 5.2.2 数据采集与处理 | 第57-60页 |
| 5.3 数据融合模型 | 第60-62页 |
| 5.4 数据融合模型的验证分析 | 第62-64页 |
| 5.4.1 融合模型应用于清远市城市路网 | 第62-63页 |
| 5.4.2 融合模型与仿真结果的比较 | 第63-64页 |
| 5.5 小结 | 第64-65页 |
| 结论 | 第65-67页 |
| 参考文献 | 第67-71页 |
| 致谢 | 第71页 |
