| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 第1章 绪论 | 第16-22页 |
| 1.1 课题研究背景和意义 | 第16-17页 |
| 1.2 国内外研究动态 | 第17-19页 |
| 1.3 论文的主要内容和结构安排 | 第19-22页 |
| 第2章 短时交通预测方法和交通流特性 | 第22-44页 |
| 2.1 短时交通预测介绍 | 第22-23页 |
| 2.2 短时交通预测模型与方法 | 第23-26页 |
| 2.2.1 卡尔曼滤波算法 | 第23-24页 |
| 2.2.2 时间序列模型 | 第24页 |
| 2.2.3 人工神经网络 | 第24-25页 |
| 2.2.4 复合预测模型方法 | 第25-26页 |
| 2.2.5 马尔科夫预测法 | 第26页 |
| 2.3 交通流参数介绍 | 第26-30页 |
| 2.3.1 流量 | 第27-28页 |
| 2.3.2 速度 | 第28-29页 |
| 2.3.3 密集度 | 第29-30页 |
| 2.4 参数采集和交通流特性 | 第30-37页 |
| 2.4.1 参数采集 | 第30-33页 |
| 2.4.2 城市快速路的交通流特点 | 第33-37页 |
| 2.5 交通状态分析和数据序列对比度 | 第37-43页 |
| 2.5.1 交通状态的分析 | 第37-41页 |
| 2.5.2 参数序列的对比度CON | 第41-43页 |
| 2.6 本章小结 | 第43-44页 |
| 第3章 隐形马尔科夫模型及数据序列对比度 | 第44-70页 |
| 3.1 Markov过程 | 第44-46页 |
| 3.2 HMM统计模型 | 第46-52页 |
| 3.2.1 HMM的基本概念 | 第46-47页 |
| 3.2.2 HMM定义 | 第47-48页 |
| 3.2.3 HMM解决的三个基本问题及解决办法 | 第48-52页 |
| 3.3 基于交通流的HMM模型构造 | 第52-53页 |
| 3.4 参数的离散化 | 第53-57页 |
| 3.4.1 预测窗口内平均速度离散化 | 第54页 |
| 3.4.2 对比度分析 | 第54-57页 |
| 3.4.3 对比度离散化 | 第57页 |
| 3.5 隐状态和观察状态集合确定 | 第57-59页 |
| 3.5.1 隐状态集合确定 | 第58-59页 |
| 3.5.2 观察状态集合确定 | 第59页 |
| 3.6 模型参数确定及分析 | 第59-64页 |
| 3.6.1 模型参数训练 | 第59-61页 |
| 3.6.2 状态转移概率矩阵分析 | 第61-63页 |
| 3.6.3 发生矩阵分析 | 第63页 |
| 3.6.4 初始状态概率分布确定 | 第63-64页 |
| 3.7 本章小结 | 第64-70页 |
| 第4章 基于THMM的交通状态预测仿真分析 | 第70-84页 |
| 4.1 基于HMM的交通状态预测 | 第70-71页 |
| 4.2 预测结果评价方法 | 第71-73页 |
| 4.2.1 隐状态的几何表示 | 第71-72页 |
| 4.2.2 预测结果评价方法 | 第72-73页 |
| 4.3 不同参数的预测结果分析 | 第73-83页 |
| 4.3.1 基于交通速度的预测分析 | 第75-76页 |
| 4.3.2 基于交通流量的预测分析 | 第76-79页 |
| 4.3.3 基于占有率(Occupancy)的预测分析 | 第79-83页 |
| 4.4 本章小结 | 第83-84页 |
| 第5章 总结与展望 | 第84-86页 |
| 5.1 全文总结 | 第84页 |
| 5.2 研究展望 | 第84-86页 |
| 参考文献 | 第86-90页 |
| 致谢 | 第90-92页 |
| 攻读硕士学位期间发表的学术论文目录 | 第92-94页 |
| 攻读硕士学位期间的科研项目 | 第94页 |