| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第13-20页 |
| 1.1 研究背景及意义 | 第13-14页 |
| 1.2 国内外的研究现状 | 第14-17页 |
| 1.3 研究内容 | 第17-18页 |
| 1.4 篇章结构 | 第18-19页 |
| 1.5 本章小结 | 第19-20页 |
| 第二章 基于蓝牙技术的交通数据采集和旅行时间估计方法 | 第20-31页 |
| 2.1 交通数据采集方法 | 第20-23页 |
| 2.1.1 基于感应线圈的采集方法 | 第20页 |
| 2.1.2 基于视频检测的采集方法 | 第20页 |
| 2.1.3 基于GPS浮动车的采集方法 | 第20-21页 |
| 2.1.4 基于超声波的采集方法 | 第21页 |
| 2.1.5 基于红外线的采集方法 | 第21-22页 |
| 2.1.6 基于微波的检采集方法 | 第22页 |
| 2.1.7 基于车辆自动识别（AVI） | 第22页 |
| 2.1.8 基于手机定位的采集方式 | 第22-23页 |
| 2.2 基于蓝牙技术采集交通数据相关研究综述 | 第23-24页 |
| 2.3 蓝牙技术简介 | 第24-25页 |
| 2.4 利用蓝牙技术实时采集交通数据的原理 | 第25-27页 |
| 2.5 基于蓝牙数据的道路旅行时间估计方法 | 第27-30页 |
| 2.5.1 蓝牙数据的误差来源分析 | 第28页 |
| 2.5.2 蓝牙数据预处理 | 第28-29页 |
| 2.5.3 旅行时间估计方法 | 第29页 |
| 2.5.4 缺失值修补 | 第29-30页 |
| 2.6 本章小结 | 第30-31页 |
| 第三章 基于卡尔曼滤波的短时旅行时间预测模型 | 第31-36页 |
| 3.1 卡尔曼滤波基本原理 | 第31-33页 |
| 3.2 基于卡尔曼滤波的短时旅行时间预测模型的建立 | 第33-35页 |
| 3.3 本章小结 | 第35-36页 |
| 第四章 基于支持向量机的短时旅行时间预测模型 | 第36-49页 |
| 4.1 统计学习理论 | 第36-39页 |
| 4.1.1 经验风险最小化准则 | 第36-37页 |
| 4.1.2 VC维 | 第37页 |
| 4.1.3 结构风险最小化准则 | 第37-39页 |
| 4.2 支持向量机 | 第39-40页 |
| 4.3 支持向量回归模型 | 第40-43页 |
| 4.3.1 核函数的选择 | 第41-42页 |
| 4.3.2 参数的选择和影响： | 第42-43页 |
| 4.4 模型参数优化方法—PSO算法 | 第43-45页 |
| 4.5 基于PSO-SVR的道路短时旅行时间预测模型的构建 | 第45-47页 |
| 4.6 模型预测效果的评价 | 第47-48页 |
| 4.7 本章小结 | 第48-49页 |
| 第五章 蓝牙应用情况调研和基于蓝牙技术的旅行时间采集实验 | 第49-60页 |
| 5.1 蓝牙使用情况调查问卷 | 第49-51页 |
| 5.1.1 调研结果分析 | 第49-50页 |
| 5.1.2 调研主要结论 | 第50-51页 |
| 5.2 蓝牙设备实时采集交通数据实地试验 | 第51-59页 |
| 5.2.1 蓝牙检测设备与试验路段的介绍 | 第51-53页 |
| 5.2.2 试验部分结果与分析 | 第53-59页 |
| 5.3 本章小结 | 第59-60页 |
| 第六章 短时旅行时间预测模型预测的结果对比和分析 | 第60-69页 |
| 6.1 数据准备 | 第60页 |
| 6.2 基于卡尔曼滤波的短时旅行时间预测模型的预测结果 | 第60-62页 |
| 6.3 基于PSO-SVR方法的短时旅行时间预测模型结果及分析 | 第62-65页 |
| 6.4 基于BP神经网络的预测模型的预测结果 | 第65-67页 |
| 6.5 本章小结 | 第67-69页 |
| 第七章 总结与展望 | 第69-71页 |
| 7.1 总结 | 第69-70页 |
| 7.2 展望 | 第70-71页 |
| 参考文献 | 第71-76页 |
| 附录1 原始旅行时间数据（单位秒） | 第76-80页 |
| 附录2 部分MATLAB程序代码 | 第80-82页 |
| 致谢 | 第82-83页 |
| 攻读硕士学位期间已发表或录用的论文 | 第83页 |
