基于GPS数据的公交到站时间预测
| 摘要 | 第5-6页 |
| abstract | 第6页 |
| 第1章 绪论 | 第9-16页 |
| 1.1 研究背景及意义 | 第9-11页 |
| 1.1.1 研究背景 | 第9-10页 |
| 1.1.2 研究意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-14页 |
| 1.2.1 国外研究现状 | 第11-12页 |
| 1.2.2 国内研究现状 | 第12-14页 |
| 1.3 立题依据 | 第14页 |
| 1.4 论文结构与主要研究内容 | 第14-16页 |
| 第2章 公交到站时间预测与数据处理相关技术 | 第16-23页 |
| 2.1 GPS数据处理技术 | 第16-18页 |
| 2.1.1 国内外公交车辆信息采集技术 | 第16-17页 |
| 2.1.2 基于GPS技术的匹配算法 | 第17页 |
| 2.1.3 异常数据的识别与修补 | 第17-18页 |
| 2.2 公交到站时间预测相关技术 | 第18-22页 |
| 2.2.1 历史数据模型 | 第18-19页 |
| 2.2.2 时间序列模型 | 第19-20页 |
| 2.2.3 人工神经网络模型 | 第20页 |
| 2.2.4 统计回归理论预测模型 | 第20-21页 |
| 2.2.5 卡尔曼滤波模型 | 第21页 |
| 2.2.6 支持向量机模型 | 第21-22页 |
| 2.2.7 其他预测模型 | 第22页 |
| 2.3 本章小结 | 第22-23页 |
| 第3章 基于公交GPS数据的靠站时间检测 | 第23-39页 |
| 3.1 GPS数据结构 | 第23-25页 |
| 3.2 公交靠站时间插值方法 | 第25-28页 |
| 3.2.1 拉格朗日插值 | 第25-26页 |
| 3.2.2 Akima插值方法 | 第26-27页 |
| 3.2.3 三次样条插值方法 | 第27-28页 |
| 3.3 基于牛顿插值方法的靠站时间检测 | 第28-37页 |
| 3.3.1 牛顿位置-时间插值方法 | 第28-32页 |
| 3.3.2 靠站时间检测实现过程 | 第32-33页 |
| 3.3.3 实例分析 | 第33-37页 |
| 3.4 本章小结 | 第37-39页 |
| 第4章 公交车路段行驶规律分析 | 第39-50页 |
| 4.1 公交历史数据来源与分析 | 第39-41页 |
| 4.1.1 公交运行历史数据来源 | 第39-40页 |
| 4.1.2 杭州市公交运行概况 | 第40页 |
| 4.1.3 车辆运行外部因素分析 | 第40-41页 |
| 4.2 时间及时段对车辆影响分析 | 第41-49页 |
| 4.2.1 杭州市整体公交运行情况分析 | 第41-43页 |
| 4.2.2 公交车路段与运行时间聚类分析 | 第43-45页 |
| 4.2.3 不同日期运行情况分析 | 第45-49页 |
| 4.3 本章小结 | 第49-50页 |
| 第5章 公交到站时间预测模型 | 第50-67页 |
| 5.1 公交路段聚类分析 | 第50-52页 |
| 5.1.1 算法研究思路介绍 | 第50页 |
| 5.1.2 K-Means聚类介绍 | 第50-52页 |
| 5.1.3 公交运行状态划分 | 第52页 |
| 5.2 公交到站时间滚动预测模型 | 第52-59页 |
| 5.2.1 站点间到站时间预测 | 第52-56页 |
| 5.2.2 路段中的到站时间预测 | 第56-57页 |
| 5.2.3 模型流程图 | 第57-59页 |
| 5.3 主要参数选择与实例分析 | 第59-66页 |
| 5.3.1 主要参数选择 | 第59-60页 |
| 5.3.2 实例分析 | 第60-66页 |
| 5.4 本章小结 | 第66-67页 |
| 第6章 模型实验结果对比分析 | 第67-77页 |
| 6.1 实验数据选取 | 第67-68页 |
| 6.2 对比模型与误差指标选取 | 第68-69页 |
| 6.3 模型效果对比与分析 | 第69-76页 |
| 6.4 本章小结 | 第76-77页 |
| 第7章 结论与展望 | 第77-79页 |
| 7.1 结论 | 第77-78页 |
| 7.2 展望 | 第78-79页 |
| 参考文献 | 第79-82页 |
| 致谢 | 第82-83页 |
| 攻读学位期间参加的科研项目及成果 | 第83页 |
