| 中文摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第13-19页 |
| 1.1 研究背景 | 第13-14页 |
| 1.2 问题的提出 | 第14页 |
| 1.3 研究的目标与研究的意义 | 第14-15页 |
| 1.4 研究内容 | 第15-16页 |
| 1.5 研究思路与研究方法 | 第16-17页 |
| 1.6 论文结构 | 第17页 |
| 1.7 创新点 | 第17-19页 |
| 第2章 国内外研究综述及理论基础 | 第19-27页 |
| 2.1 公交实时需求分析 | 第19-20页 |
| 2.2 公交及交通实时数据收集和分析方法 | 第20-21页 |
| 2.3 短时公交到站时间预测方法 | 第21-22页 |
| 2.4 实时公交滞站调度方法 | 第22-24页 |
| 2.5 基于决策树的公交优先级别评定方法 | 第24-25页 |
| 2.6 公交信号优先控制 | 第25-26页 |
| 2.7 本章小结 | 第26-27页 |
| 第3章 基于公交自动收费系统的实时需求分析方法 | 第27-43页 |
| 3.1 公交需求分析的意义 | 第27页 |
| 3.2 公交需求分析研究现状 | 第27-29页 |
| 3.3 公交自动收费系统特性及数据采集 | 第29-31页 |
| 3.4 出行轨迹搜索 | 第31-35页 |
| 3.5 出行需求分析 | 第35-37页 |
| 3.6 案例研究 | 第37-42页 |
| 3.7 本章小结 | 第42-43页 |
| 第4章 公交及交通实时数据收集和分析的方式及方法 | 第43-71页 |
| 4.1 实时公交数据采集分析的意义 | 第43-44页 |
| 4.2 实时公交数据采集研究现状 | 第44-49页 |
| 4.2.1 公交运营实时信息采集技术 | 第44-48页 |
| 4.2.2 采集技术方法与方式比较 | 第48-49页 |
| 4.3 公交运营实时数据的关联性分析 | 第49-52页 |
| 4.3.1 公交运营实时数据的主要内容 | 第49-50页 |
| 4.3.2 公交运营实时数据的关联性 | 第50-51页 |
| 4.3.3 公交优先项目中的重要参数 | 第51-52页 |
| 4.3.4 公交项目评估的指标 | 第52页 |
| 4.4 公交运营实时数据的准确性分析 | 第52-57页 |
| 4.4.1 公交运营实时数据的精度和更新频率要求 | 第53-54页 |
| 4.4.2 案例分析 | 第54-57页 |
| 4.5 公交运营实时数据过滤及融合 | 第57-66页 |
| 4.5.1 公交运营实时数据过滤及融合原理 | 第57-58页 |
| 4.5.2 案例分析 | 第58-66页 |
| 4.6 案例分析 | 第66-69页 |
| 4.6.1 公交信号优先系统的结构 | 第66-67页 |
| 4.6.2 RFID子系统 | 第67-69页 |
| 4.7 本章小结 | 第69-71页 |
| 第5章 基于公交实时信息的短时到站预报模型研究 | 第71-90页 |
| 5.1 公交短时到站预报的意义 | 第71页 |
| 5.2 公交短时到站预报的研究现状 | 第71-75页 |
| 5.2.1 基于历史数据的预测模型 | 第71-72页 |
| 5.2.2 回归模型 | 第72页 |
| 5.2.3 卡尔曼滤波模型 | 第72-74页 |
| 5.2.4 人工神经网络模型 | 第74-75页 |
| 5.2.5 其他方法 | 第75页 |
| 5.3 公交短时到站预报问题解析 | 第75-77页 |
| 5.4 公交短时到站预报初步数值分析 | 第77-79页 |
| 5.5 公交短时到站预报模型设计 | 第79-80页 |
| 5.6 公交短时到站预测算法 | 第80-85页 |
| 5.6.1 LINK-CFNN模型 | 第80-81页 |
| 5.6.2 预测算法 | 第81-84页 |
| 5.6.3 STOP-CFNN模型 | 第84-85页 |
| 5.7 案例分析 | 第85-89页 |
| 5.7.1 正常情况 | 第85-87页 |
| 5.7.2 意外事件 | 第87-89页 |
| 5.8 本章小结 | 第89-90页 |
| 第6章 基于实时信息的公交滞站调度优先方法分析与评价 | 第90-113页 |
| 6.1 公交滞站调度的意义 | 第90-92页 |
| 6.2 国内外公交实时调度研究现状 | 第92-94页 |
| 6.2.1 实时调度策略概述 | 第92-93页 |
| 6.2.2 实时调度研究方法概述 | 第93-94页 |
| 6.3 协控间隔滞站调度策略研究框架 | 第94-95页 |
| 6.4 公交车辆运行时间预测研究 | 第95-103页 |
| 6.4.1 公交车行程时间预测研究现状 | 第95-96页 |
| 6.4.2 基于支持向量机的Kalman滤波预测模型框架 | 第96页 |
| 6.4.3 Kalman滤波原理 | 第96-98页 |
| 6.4.4 回归支持向量机 | 第98-101页 |
| 6.4.5 基于支持向量机的Kalman滤波模型 | 第101-103页 |
| 6.5 基于间隔的协控滞站策略研究 | 第103-107页 |
| 6.5.1 传统滞站调度策略概述 | 第103-104页 |
| 6.5.2 基于间隔的协控滞站策略 | 第104-107页 |
| 6.6 案例分析 | 第107-111页 |
| 6.6.1 公交车辆发车时间预测 | 第108-110页 |
| 6.6.2 基于公交车辆运行时间预测的滞站调度研究 | 第110-111页 |
| 6.7 本章小结 | 第111-113页 |
| 第7章 基于决策树的公交优先级别动态评定方法 | 第113-123页 |
| 7.1 公交车优先级别动态评定的意义 | 第113页 |
| 7.2 国内外研究现状 | 第113-116页 |
| 7.2.1 典型决策树算法 | 第114-116页 |
| 7.2.2 决策树算法的优势 | 第116页 |
| 7.3 公交优先级确定模型 | 第116-120页 |
| 7.4 公交信号优先决策系统设计 | 第120-122页 |
| 7.5 本章小结 | 第122-123页 |
| 第8章 基于实时信息的公交信号优先系统分析与评价 | 第123-135页 |
| 8.1 公交信号优先的意义 | 第123-124页 |
| 8.2 公交信号优先的国内外研究现状 | 第124-126页 |
| 8.2.1 公交信号优先的研究现状 | 第124页 |
| 8.2.2 强化学习的基本原理 | 第124-126页 |
| 8.3 基于强化学习的公交信号优先策略设计 | 第126-132页 |
| 8.3.1 系统整体架构 | 第126-127页 |
| 8.3.2 关键要素定义 | 第127-129页 |
| 8.3.3 Q函数逼近 | 第129-130页 |
| 8.3.4 算法流程设计 | 第130-132页 |
| 8.4 案例分析 | 第132-134页 |
| 8.4.1 路网结构 | 第132页 |
| 8.4.2 仿真环境 | 第132-134页 |
| 8.5 本章小结 | 第134-135页 |
| 第9章 结论与展望 | 第135-138页 |
| 9.1 本文主要研究成果及结论 | 第135页 |
| 9.2 本文的主要贡献及创新性 | 第135-136页 |
| 9.3 课题展望和未来研究方向 | 第136-138页 |
| 参考文献 | 第138-148页 |
| 致谢 | 第148-150页 |
| 作者在攻读博士学位期间发表的论著 | 第150-151页 |
| 作者简介 | 第151页 |
