| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第10-17页 |
| 1.1 研究背景 | 第10-11页 |
| 1.2 研究的目的及意义 | 第11-12页 |
| 1.3 国内外研究现状 | 第12-14页 |
| 1.3.1 研究现状 | 第12-13页 |
| 1.3.2 现有预测方法局限性 | 第13-14页 |
| 1.4 本文的研究内容及结构安排 | 第14-16页 |
| 1.5 小结 | 第16-17页 |
| 第二章 城市道路交通流特性及短时预测方法 | 第17-28页 |
| 2.1 交通流参数定义及交通流特性表现形式 | 第17-19页 |
| 2.1.1 交通流基本参数 | 第17-18页 |
| 2.1.2 交通流特性表现形式 | 第18-19页 |
| 2.2 短时交通流预测方法概述 | 第19-27页 |
| 2.2.1 基于线性系统理论的方法 | 第21-22页 |
| 2.2.2 基于非线性系统理论的方法 | 第22-23页 |
| 2.2.3 基于知识发现的智能预测方法 | 第23-25页 |
| 2.2.4 组合预测模型方法 | 第25页 |
| 2.2.5 基于交通仿真模拟的方法 | 第25-26页 |
| 2.2.6 基于交通流时空特性的预测方法 | 第26页 |
| 2.2.7 其他新方法 | 第26-27页 |
| 2.3 常用预测性能评价指标 | 第27页 |
| 2.4 本章小结 | 第27-28页 |
| 第三章 交通流时间特性及基于时间序列数据的预测 | 第28-47页 |
| 3.1 交通流时间特性 | 第28-33页 |
| 3.1.1 交通量的宏观统计特性 | 第28-30页 |
| 3.1.2 基于动力学特性的短时交通流时间特性分析 | 第30-33页 |
| 3.2 基于交通流时间序列数据的预测方法 | 第33-39页 |
| 3.2.1 求和自回归移动平均模型 | 第34-36页 |
| 3.2.2 混沌预测模型 | 第36-37页 |
| 3.2.3 基于小波神经网络的预测模型 | 第37-39页 |
| 3.3 实验案例 | 第39-46页 |
| 3.3.1 交通流时间序列数据分析 | 第39-41页 |
| 3.3.2 短时交通流预测 | 第41-46页 |
| 3.4 本章小结 | 第46-47页 |
| 第四章 交通流空间特性及基于空间相关性的短时预测 | 第47-60页 |
| 4.1 交通流空间特性 | 第47-51页 |
| 4.1.1 空间分布特性 | 第47-49页 |
| 4.1.2 空间相关性 | 第49-50页 |
| 4.1.3 基于空间相关的可预测性分析 | 第50-51页 |
| 4.2 基于空间相关的预测模型 | 第51-56页 |
| 4.2.1 多元逐步线性回归模型 | 第51-53页 |
| 4.2.2 基于卡尔曼滤波理论的预测方法 | 第53-56页 |
| 4.3 算例分析 | 第56-59页 |
| 4.3.1 基于多元逐步回归模型预测 | 第56-57页 |
| 4.3.2 基于卡尔曼滤波理论的预测 | 第57-58页 |
| 4.3.3 结果分析 | 第58-59页 |
| 4.4 本章小结 | 第59-60页 |
| 第五章 基于时空数据的短时交通流预测 | 第60-72页 |
| 5.1 交通流的时空关联特性 | 第60-61页 |
| 5.2 基于时空数据融合的短时交通流预测 | 第61-64页 |
| 5.2.1 数据融合概述 | 第61-62页 |
| 5.2.2 时空数据融合预测模型设计 | 第62-64页 |
| 5.3 基于改进的非参数回归短时交通流预测 | 第64-68页 |
| 5.3.1 非参数回归模型 | 第64-65页 |
| 5.3.2 基于k近邻算法的交通流预测 | 第65-66页 |
| 5.3.3 卡尔曼滤波优化的k近邻预测模型设计 | 第66-68页 |
| 5.4 实例分析 | 第68-71页 |
| 5.4.1 基于时空数据融合预测 | 第68-69页 |
| 5.4.2 卡尔曼滤波优化的k近邻预测 | 第69-70页 |
| 5.4.3 预测效果对比及分析 | 第70-71页 |
| 5.5 本章小结 | 第71-72页 |
| 第六章 总结与展望 | 第72-74页 |
| 6.1 论文结论 | 第72-73页 |
| 6.2 研究展望 | 第73-74页 |
| 致谢 | 第74-75页 |
| 参考文献 | 第75-80页 |
| 在学期间发表的论文及参与的科研项目 | 第80页 |