宏观交通信息获取的鲁棒性研究
| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第1章 绪论 | 第8-18页 |
| 1.1 课题研究背景和来源 | 第8-10页 |
| 1.2 课题的研究意义 | 第10-12页 |
| 1.3 国内外研究现状及分析 | 第12-15页 |
| 1.3.1 国内外研究现状 | 第12-15页 |
| 1.3.2 现阶段研究工作存在的问题与不足 | 第15页 |
| 1.4 本文主要内容和结构安排 | 第15-18页 |
| 第2章 宏观交通信息的获取分析 | 第18-27页 |
| 2.1 引言 | 第18页 |
| 2.2 结合UAV的混合IoV网络结构 | 第18-20页 |
| 2.3 交通信息矩阵的建立 | 第20-21页 |
| 2.4 因子分析理论 | 第21-23页 |
| 2.5 压缩感知 | 第23-25页 |
| 2.5.1 信号的稀疏表示 | 第24-25页 |
| 2.5.2 观测矩阵 | 第25页 |
| 2.5.3 信号的重建 | 第25页 |
| 2.6 本章小结 | 第25-27页 |
| 第3章 道路结构分析及交通信息的恢复 | 第27-35页 |
| 3.1 引言 | 第27页 |
| 3.2 交通信息获取分析 | 第27-31页 |
| 3.2.1 道路结构相关性分析 | 第27-30页 |
| 3.2.2 道路结构的主成分分析 | 第30-31页 |
| 3.3 基于压缩感知的交通信息恢复 | 第31-33页 |
| 3.4 本章小结 | 第33-35页 |
| 第4章 基于卡尔曼滤波的车流密度校准 | 第35-54页 |
| 4.1 引言 | 第35页 |
| 4.2 车流密度模型的建立 | 第35-47页 |
| 4.2.1 时间序列模型的建立 | 第35-36页 |
| 4.2.2 SARIMA模型建模 | 第36-42页 |
| 4.2.3 GARCH模型建模 | 第42-47页 |
| 4.3 自适应卡尔曼滤波 | 第47-53页 |
| 4.3.1 卡尔曼滤波迭代过程 | 第47-48页 |
| 4.3.2 UAV观测误差分析 | 第48-49页 |
| 4.3.3 仿真与结果分析 | 第49-53页 |
| 4.4 本章小结 | 第53-54页 |
| 结论 | 第54-56页 |
| 参考文献 | 第56-61页 |
| 攻读硕士学位期间研究成果 | 第61-63页 |
| 致谢 | 第63页 |
