| 摘要 | 第1-5页 |
| ABSTRACT | 第5-12页 |
| 1 绪论 | 第12-42页 |
| ·依托课题 | 第12页 |
| ·研究背景与意义 | 第12-24页 |
| ·作为复杂系统的城市交通系统 | 第12-13页 |
| ·我国城市交通问题现状与成因 | 第13-18页 |
| ·城市交通问题的常规缓解策略及其局限性 | 第18-20页 |
| ·智能交通系统——解决城市交通问题的有效途径 | 第20-22页 |
| ·研究城市交通诱导系统的意义 | 第22-24页 |
| ·城市交通诱导系统简述及研究现状 | 第24-32页 |
| ·主要功能 | 第24-25页 |
| ·结构框架 | 第25页 |
| ·系统分类 | 第25-26页 |
| ·关键技术 | 第26-27页 |
| ·研究现状 | 第27-32页 |
| ·计算智能简介及其在城市交通系统中的研究现状 | 第32-38页 |
| ·最优化问题 | 第32-33页 |
| ·计算智能的历史渊源 | 第33-35页 |
| ·计算智能的基本概念与分类情况 | 第35-36页 |
| ·计算智能在城市交通系统中的研究现状 | 第36-38页 |
| ·论文的研究思路、创新点与结构安排 | 第38-41页 |
| ·研究思路 | 第38-39页 |
| ·创新点 | 第39-40页 |
| ·结构安排 | 第40-41页 |
| ·本章小结 | 第41-42页 |
| 2 交通流基础理论 | 第42-56页 |
| ·引言 | 第42页 |
| ·交通流理论的发展概况 | 第42-44页 |
| ·交通流理论的主要内容 | 第44-45页 |
| ·交通流数据分析 | 第45-54页 |
| ·交通流的特性 | 第45-46页 |
| ·交通流的基本参数及其相互关系 | 第46-50页 |
| ·交通流数据的采集技术 | 第50-52页 |
| ·交通流数据的故障识别方法 | 第52-53页 |
| ·交通流数据的故障修复方法 | 第53-54页 |
| ·交通流理论的研究趋势 | 第54-55页 |
| ·本章小结 | 第55-56页 |
| 3 基于灾变FS 算法的SVR 参数优选方法及交通流预测研究 | 第56-82页 |
| ·引言 | 第56-57页 |
| ·预测的数学基础 | 第57-58页 |
| ·内积空间 | 第57页 |
| ·柯西列 | 第57页 |
| ·希尔伯特空间 | 第57页 |
| ·闭线性子空间 | 第57-58页 |
| ·预报方程 | 第58页 |
| ·常规交通流预测方法简介 | 第58-63页 |
| ·历史均值法 | 第58页 |
| ·时间序列法 | 第58-59页 |
| ·非参数回归法 | 第59-60页 |
| ·灰色系统法 | 第60-61页 |
| ·神经网络法 | 第61-63页 |
| ·统计学习理论概述 | 第63-65页 |
| ·VC 维 | 第63页 |
| ·推广能力的界 | 第63-64页 |
| ·结构风险最小化 | 第64-65页 |
| ·支持向量回归机及其参数分析 | 第65-70页 |
| ·SVR 基本原理 | 第65-68页 |
| ·二次规划问题的求解 | 第68-69页 |
| ·参数选取分析 | 第69-70页 |
| ·基于灾变FS 算法的SVR 参数优选方法 | 第70-76页 |
| ·基本FS 算法原理 | 第70-73页 |
| ·基于灾变策略的FS 算法 | 第73-75页 |
| ·适应度函数定义 | 第75-76页 |
| ·灾变FS 算法优选SVR 参数的步骤 | 第76页 |
| ·实例分析 | 第76-81页 |
| ·交叉口交通流量预测模型结构 | 第76-77页 |
| ·数据源及预处理 | 第77页 |
| ·滚动预测机制 | 第77-78页 |
| ·评价指标 | 第78页 |
| ·参数设置 | 第78页 |
| ·结果分析 | 第78-81页 |
| ·本章小结 | 第81-82页 |
| 4 基于混沌选择策略的蚁群算法及路径优化研究 | 第82-100页 |
| ·引言 | 第82-83页 |
| ·城市交通路网的路径优化模型 | 第83-90页 |
| ·城市交通路网模型 | 第83页 |
| ·路径选择的最优目标 | 第83-86页 |
| ·道路权重的标定 | 第86-87页 |
| ·路网连通性的表达 | 第87-90页 |
| ·最优路径模型 | 第90页 |
| ·传统最短路径优化算法简介 | 第90-93页 |
| ·Dijkstra 算法 | 第90-91页 |
| ·Floyd 算法 | 第91-92页 |
| ·Bellman-Ford-Moore 算法 | 第92页 |
| ·启发式搜索算法——A*算法 | 第92-93页 |
| ·基于蚁群算法的最优路径问题 | 第93-96页 |
| ·蚁群算法基本原理 | 第93-95页 |
| ·基于混沌选择策略的蚁群算法 | 第95-96页 |
| ·最优路径求解的实现步骤 | 第96页 |
| ·仿真实验与结果分析 | 第96-99页 |
| ·路网实例 | 第96页 |
| ·结果分析 | 第96-99页 |
| ·本章小结 | 第99-100页 |
| 5 基于免疫机理的粒子群算法及OD 矩阵反推研究 | 第100-118页 |
| ·引言 | 第100-101页 |
| ·OD 矩阵反推模型简介 | 第101-104页 |
| ·重力模型 | 第101-102页 |
| ·极大熵模型 | 第102页 |
| ·广义最小二乘模型 | 第102-103页 |
| ·极大似然模型 | 第103页 |
| ·最小信息量模型 | 第103-104页 |
| ·基于极大熵原理的OD 矩阵反推问题 | 第104-109页 |
| ·极大熵原理简介 | 第104-105页 |
| ·OD 反推的极大熵模型 | 第105-106页 |
| ·模型的化简与求解 | 第106-108页 |
| ·求解方法的不足 | 第108-109页 |
| ·基于粒子群算法的极大熵模型求解方法 | 第109-112页 |
| ·粒子群算法基本原理 | 第109-110页 |
| ·速度更新公式的改进 | 第110-111页 |
| ·基于浓度概念的轮盘赌粒子选取方法 | 第111-112页 |
| ·基于免疫机理的粒子群算法步骤 | 第112页 |
| ·应用实例与结果分析 | 第112-116页 |
| ·测试实例 | 第112-113页 |
| ·确定搜索空间 | 第113-114页 |
| ·结果分析 | 第114-116页 |
| ·本章小结 | 第116-118页 |
| 6 基于混合蛙跳算法的模糊C 均值聚类及交通状态识别研究 | 第118-142页 |
| ·引言 | 第118-120页 |
| ·交通状态识别算法的研究情况 | 第120-123页 |
| ·早期的研发历史 | 第120-121页 |
| ·中期的研发状态 | 第121页 |
| ·当前的研发现状 | 第121-123页 |
| ·模糊理论基础知识 | 第123-128页 |
| ·模糊集合 | 第124-125页 |
| ·隶属函数 | 第125-126页 |
| ·逻辑运算 | 第126-127页 |
| ·模糊关系 | 第127-128页 |
| ·基于混合蛙跳算法的模糊C 均值聚类 | 第128-132页 |
| ·模糊C 均值聚类 | 第128-130页 |
| ·混合蛙跳算法基本原理 | 第130-131页 |
| ·编码方案 | 第131页 |
| ·适应度函数 | 第131-132页 |
| ·基于混合蛙跳算法的模糊C 均值聚类流程 | 第132页 |
| ·基于模糊聚类的交通状态识别方法 | 第132-136页 |
| ·交通状态识别的基本思路 | 第132-133页 |
| ·交通参数的选择及标准化 | 第133-134页 |
| ·道路交通状态的模糊聚类分析 | 第134-135页 |
| ·实时道路交通状态的识别 | 第135-136页 |
| ·实例分析 | 第136-141页 |
| ·数据源 | 第136页 |
| ·数据提取 | 第136-137页 |
| ·参数设置 | 第137-138页 |
| ·结果分析 | 第138-141页 |
| ·本章小结 | 第141-142页 |
| 7 总结与展望 | 第142-146页 |
| ·全文总结 | 第142-144页 |
| ·研究展望 | 第144-146页 |
| 致谢 | 第146-148页 |
| 参考文献 | 第148-164页 |
| 附录 | 第164-165页 |
| 附录A 作者在攻读学位期间发表的学术论文 | 第164-165页 |
| 附录B 作者在攻读学位期间完成的科研项目 | 第165页 |
| 附录C 作者在攻读学位期间获得的荣誉奖励 | 第165页 |
| 附录D 作者在攻读学位期间参加的暑期学校 | 第165页 |