摘要 | 第5-6页 |
Abstract | 第6-7页 |
第一章 绪论 | 第13-23页 |
1.1 研究背景 | 第13-14页 |
1.2 研究目标与意义 | 第14-15页 |
1.2.1 研究目标 | 第14页 |
1.2.2 研究意义 | 第14-15页 |
1.3 研究现状 | 第15-20页 |
1.3.1 国外研究现状 | 第15-17页 |
1.3.2 国内研究现状 | 第17-19页 |
1.3.3 研究总体评述 | 第19-20页 |
1.4 研究内容与方法 | 第20-22页 |
1.4.1 研究内容 | 第20-21页 |
1.4.2 技术路线 | 第21-22页 |
1.5 本章小结 | 第22-23页 |
第二章 城市道路交通拥堵特征分析 | 第23-38页 |
2.1 拥堵定义 | 第23-29页 |
2.1.1 交通拥堵 | 第23-24页 |
2.1.2 交通瓶颈 | 第24-25页 |
2.1.3 判别指标 | 第25-29页 |
2.2 交通拥堵属性 | 第29-30页 |
2.3 交通拥堵特性 | 第30-32页 |
2.4 交通拥堵成因 | 第32-34页 |
2.4.1 宏观方面 | 第32-33页 |
2.4.2 微观方面 | 第33页 |
2.4.3 拥堵成因归纳 | 第33-34页 |
2.5 交通拥堵影响因素 | 第34-37页 |
2.5.1 交通流因素 | 第34-35页 |
2.5.2 道路几何因素 | 第35-36页 |
2.5.3 管理控制因素 | 第36-37页 |
2.6 本章小结 | 第37-38页 |
第三章 基于贝叶斯决策的信号控制交叉.拥堵识别方法 | 第38-53页 |
3.1 贝叶斯基础理论 | 第38-40页 |
3.1.1 条件概率与乘法公式 | 第38页 |
3.1.2 事件的相互独立性 | 第38-39页 |
3.1.3 全概率公式与贝叶斯公式 | 第39-40页 |
3.2 朴素贝叶斯分类器 | 第40-43页 |
3.2.1 朴素贝叶斯分类器特点 | 第40页 |
3.2.2 朴素贝叶斯分类器模型描述 | 第40-43页 |
3.3 交通参数的选择 | 第43-45页 |
3.3.1 选取原则 | 第43-44页 |
3.3.2 参数选取 | 第44-45页 |
3.4 基于朴素贝叶斯决策的信号控制交叉.拥堵识别方法 | 第45-52页 |
3.4.1 识别思路 | 第45-46页 |
3.4.2 识别参数选取及处理 | 第46-47页 |
3.4.3 算法描述 | 第47-49页 |
3.4.4 训练样本交通状态界定 | 第49-51页 |
3.4.5 冗余属性和零概率问题及改进 | 第51-52页 |
3.5 本章小结 | 第52-53页 |
第四章 信号控制交叉.拥堵识别训练样本更新方法 | 第53-63页 |
4.1 贝叶斯决策拥堵识别方法的不足 | 第53-54页 |
4.2 基于增量学习的朴素贝叶斯训练样本更新方法 | 第54-56页 |
4.2.1 增量学习思想 | 第54-55页 |
4.2.2 交通状态训练数据的更新和扩充 | 第55-56页 |
4.3 拥堵识别算法的改进 | 第56-62页 |
4.3.1 算法描述 | 第56-57页 |
4.3.2 分类器修正 | 第57-59页 |
4.3.3 算法开销分析 | 第59-60页 |
4.3.4 实验测试 | 第60-62页 |
4.4 本章小结 | 第62-63页 |
第五章 算法验证与系统实现 | 第63-80页 |
5.1 算法验证 | 第63-70页 |
5.1.1 数据来源及处理 | 第63-66页 |
5.1.2 分类器学习及样本识别 | 第66-69页 |
5.1.3 算法评价 | 第69-70页 |
5.2 信号控制交叉.交通状态识别系统总体架构 | 第70-72页 |
5.3 基于贝叶斯方法的信号控制交叉.交通拥堵状态识别系统设计 | 第72-75页 |
5.3.1 功能设计 | 第72-73页 |
5.3.2 数据库设计 | 第73-75页 |
5.4 软件实现 | 第75-79页 |
5.4.1 系统流程 | 第75-76页 |
5.4.2 功能阐述 | 第76-79页 |
5.5 本章小结 | 第79-80页 |
第六章 结论与展望 | 第80-82页 |
6.1 结论 | 第80-81页 |
6.2 研究展望 | 第81-82页 |
参考文献 | 第82-86页 |
附录1核心程序代码 | 第86-92页 |
附录2初始训练样本 | 第92-98页 |
攻读硕士学位期间取得的研究成果 | 第98-99页 |
致谢 | 第99-100页 |
附件 | 第100页 |