| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第11-23页 |
| 1.1 研究背景与意义 | 第11-12页 |
| 1.2 交通仿真模型概述 | 第12-18页 |
| 1.2.1 交通仿真模型分类 | 第12-14页 |
| 1.2.2 典型微观交通仿真软件介绍 | 第14-15页 |
| 1.2.3 微观交通仿真软件的应用 | 第15-18页 |
| 1.3 国内外研究现状 | 第18-20页 |
| 1.3.1 国外研究现状 | 第18-20页 |
| 1.3.2 国内研究现状 | 第20页 |
| 1.3.3 国内外研究现状总结 | 第20页 |
| 1.4 本文研究内容 | 第20-22页 |
| 1.5 创新点介绍 | 第22-23页 |
| 第2章 微观交通仿真参数校正方法研究 | 第23-39页 |
| 2.1 交通仿真软件 VISSIM 概述 | 第23-28页 |
| 2.1.1 VISSIM 仿真适用性研究 | 第23-25页 |
| 2.1.2 VISSIM 交通仿真模型 | 第25-28页 |
| 2.2 仿真参数校正流程概述 | 第28-30页 |
| 2.3 用于参数校正的重要指标选取 | 第30-37页 |
| 2.3.1 参数校正目标 | 第30-31页 |
| 2.3.2 评价指标 | 第31-34页 |
| 2.3.3 待校正参数选取方法 | 第34-37页 |
| 2.4 数据采集方式 | 第37-38页 |
| 2.5 本章小结 | 第38-39页 |
| 第3章 基于 GRNN 预测的 VISSIM 仿真参数校正算法研究 | 第39-62页 |
| 3.1 参数校正算法阐发 | 第39-40页 |
| 3.2 基于遗传算法的 VISSIM 参数校正 | 第40-44页 |
| 3.2.1 算法研究 | 第40-41页 |
| 3.2.2 算法特点 | 第41-42页 |
| 3.2.3 算法流程 | 第42-44页 |
| 3.3 广义回归神经网络 | 第44-50页 |
| 3.3.1 神经网络概述 | 第44页 |
| 3.3.2 广义回归神经网络理论基础 | 第44-45页 |
| 3.3.3 广义回归神经网络的网络结构 | 第45-47页 |
| 3.3.4 平滑因子的确定 | 第47页 |
| 3.3.5 利用 GRNN 进行 VISSIM 输出指标预测的适用性阐发 | 第47-49页 |
| 3.3.6 训练过程 | 第49-50页 |
| 3.4 遗传算法与广义回归神经网络结合算法研究 | 第50-51页 |
| 3.5 实例验证 | 第51-61页 |
| 3.5.1 仿真建模 | 第52-53页 |
| 3.5.2 参数校正实施过程 | 第53-60页 |
| 3.5.3 结果展示 | 第60-61页 |
| 3.6 本章小结 | 第61-62页 |
| 第4章 VISSIM 仿真模型参数自动校正体系达成 | 第62-70页 |
| 4.1 编程语言 | 第62-63页 |
| 4.1.1 VISSIM 软件 COM 接口介绍 | 第62-63页 |
| 4.1.2 软件环境 | 第63页 |
| 4.2 仿真参数自动校正流程介绍 | 第63-65页 |
| 4.3 体系结构设计及各部分功能简介 | 第65-69页 |
| 4.3.1 文件管理模块 | 第66页 |
| 4.3.2 仿真模块 | 第66-67页 |
| 4.3.3 算法模块 | 第67页 |
| 4.3.4 控制模块 | 第67-69页 |
| 4.4 本章小结 | 第69-70页 |
| 第5章 实例验证 | 第70-88页 |
| 5.1 验证区域选择及数据采集 | 第70-74页 |
| 5.2 评价指标数据采集 | 第74-75页 |
| 5.3 仿真模型建立及默认参数集评价 | 第75-76页 |
| 5.4 参数敏感性阐发 | 第76-80页 |
| 5.5 参数校正 | 第80-84页 |
| 5.5.1 广义回归神经网络的训练 | 第80-83页 |
| 5.5.2 利用上述体系达成仿真参数校正 | 第83-84页 |
| 5.6 校正结果验证 | 第84-86页 |
| 5.6.1 参数校正后仿真软件精度检验 | 第84-86页 |
| 5.6.2 参数校正时间效率检验 | 第86页 |
| 5.7 本章小结 | 第86-88页 |
| 第6章 结论与展望 | 第88-90页 |
| 6.1 本文工作总结 | 第88-89页 |
| 6.2 不足与展望 | 第89-90页 |
| 参考文献 | 第90-93页 |
| 作者简介及在学期间所取得的科研成果 | 第93-94页 |
| 后记和致谢 | 第94页 |
