基于收费数据挖掘的高速公路旅行时间预测和交通状态判别应用研究
| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 第一章 绪论 | 第10-17页 |
| 1.1 研究背景 | 第10-12页 |
| 1.2 研究意义 | 第12-13页 |
| 1.3 国内外研究现状及分析 | 第13-15页 |
| 1.3.1 国外研究概述 | 第13-14页 |
| 1.3.2 国内研究概述 | 第14-15页 |
| 1.4 本文的研究内容和方法 | 第15-16页 |
| 1.5 论文的组织与结构 | 第16-17页 |
| 第二章 相关基础理论与关键技术 | 第17-29页 |
| 2.1 高速公路交通流参数特性分析 | 第17-19页 |
| 2.1.1 交通流量特性 | 第17-18页 |
| 2.1.2 车辆速度特性 | 第18-19页 |
| 2.2 数据挖掘技术基础 | 第19-22页 |
| 2.2.1 数据挖掘的概念 | 第19-20页 |
| 2.2.2 数据挖掘的过程 | 第20页 |
| 2.2.3 数据挖掘的功能 | 第20-22页 |
| 2.3 旅行时间预测研究的理论与方法 | 第22-24页 |
| 2.3.1 旅行时间的定义 | 第22页 |
| 2.3.2 旅行时间预测的常用方法 | 第22-24页 |
| 2.4 交通状态判别研究的理论与方法 | 第24-28页 |
| 2.4.1 交通状态的定义 | 第24-25页 |
| 2.4.2 交通状态判别的常用方法 | 第25-28页 |
| 2.5 本章小结 | 第28-29页 |
| 第三章 联网收费数据处理 | 第29-41页 |
| 3.1 数据准备 | 第29-32页 |
| 3.1.1 收费数据准备 | 第29-31页 |
| 3.1.2 收费数据预处理 | 第31-32页 |
| 3.2 交通流数据处理方法 | 第32-36页 |
| 3.2.1 旅行时间数据处理 | 第33-34页 |
| 3.2.2 分时段OD流量数据处理 | 第34-36页 |
| 3.3 数据处理算例 | 第36-40页 |
| 3.3.1 旅行时间处理算例 | 第36-38页 |
| 3.3.2 分时段OD流量处理算例 | 第38-40页 |
| 3.4 本章小结 | 第40-41页 |
| 第四章 基于收费数据挖掘的旅行时间预测 | 第41-63页 |
| 4.1 旅行时间预测相关技术 | 第41-44页 |
| 4.1.1 旅行时间预测的原理 | 第41页 |
| 4.1.2 旅行时间预测的意义 | 第41-43页 |
| 4.1.3 旅行时间的修正方法 | 第43-44页 |
| 4.2 小波神经网络相关理论技术 | 第44-50页 |
| 4.2.1 BP神经网络 | 第44-47页 |
| 4.2.2 小波神经网络 | 第47-50页 |
| 4.3 基于WNN旅行时间预测模型 | 第50-54页 |
| 4.3.1 预测模型的参数变量 | 第51-52页 |
| 4.3.2 小波神经网络隐含层节点数确定 | 第52-53页 |
| 4.3.3 预测模型训练流程 | 第53-54页 |
| 4.4 预测结果评价指标 | 第54-55页 |
| 4.5 实例应用分析 | 第55-61页 |
| 4.5.1 路段车流量情况统计分析 | 第55-56页 |
| 4.5.2 输入变量计算 | 第56-58页 |
| 4.5.3 预测模型应用分析 | 第58-61页 |
| 4.6 本章小结 | 第61-63页 |
| 第五章 高速公路交通状态判别研究 | 第63-77页 |
| 5.1 交通状态判别指标选取 | 第63-64页 |
| 5.2 交通状态判别流程 | 第64页 |
| 5.3 评价指标计算方法 | 第64-68页 |
| 5.3.1 建立交通量OD矩阵 | 第64-65页 |
| 5.3.2 行程速度计算 | 第65-66页 |
| 5.3.3 基于行程速度计算道路断面流量 | 第66-68页 |
| 5.4 改进的模糊聚类的交通状态判别模型 | 第68-72页 |
| 5.4.1 模糊聚类分析介绍 | 第68-69页 |
| 5.4.2 改进模糊聚类分析算法 | 第69-71页 |
| 5.4.3 交通状态指数计算 | 第71-72页 |
| 5.5 实例应用分析 | 第72-76页 |
| 5.6 本章小结 | 第76-77页 |
| 总结与展望 | 第77-79页 |
| 结论 | 第77-78页 |
| 展望 | 第78-79页 |
| 参考文献 | 第79-83页 |
| 攻读博士/硕士学位期间取得的研究成果 | 第83-84页 |
| 致谢 | 第84-85页 |
| 附件 | 第85页 |
