基于多源数据的高速公路交通状态预测与估计研究
| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第11-23页 |
| 1.1 课题来源 | 第11页 |
| 1.2 研究背景及意义 | 第11-13页 |
| 1.3 国内外研究现状 | 第13-20页 |
| 1.3.1 交通状态量化 | 第13-15页 |
| 1.3.2 交通状态预测与估计 | 第15-18页 |
| 1.3.3 数据融合技术 | 第18-20页 |
| 1.4 研究内容及技术路线 | 第20-22页 |
| 1.5 本章小结 | 第22-23页 |
| 第二章 交通流数据采集及融合技术 | 第23-31页 |
| 2.1 固定型检测技术 | 第23-24页 |
| 2.2 移动型检测技术 | 第24-25页 |
| 2.3 不同交通检测技术对比分析 | 第25-26页 |
| 2.4 数据融合 | 第26-30页 |
| 2.4.1 数据融合的层次 | 第26-29页 |
| 2.4.2 数据融合的方法 | 第29-30页 |
| 2.5 本章小结 | 第30-31页 |
| 第三章 原始数据预处理 | 第31-45页 |
| 3.1 数据来源 | 第31-39页 |
| 3.1.1 地图数据 | 第33-34页 |
| 3.1.2 浮动车GPS数据 | 第34-35页 |
| 3.1.3 收费站抽样刷卡数据 | 第35-37页 |
| 3.1.4 交通事故数据 | 第37-39页 |
| 3.2 数据预处理 | 第39-41页 |
| 3.2.1 错误数据剔除 | 第39-40页 |
| 3.2.2 缺失数据补缺 | 第40-41页 |
| 3.3 数据匹配 | 第41-43页 |
| 3.3.1 空间匹配 | 第41-42页 |
| 3.3.2 时间匹配 | 第42-43页 |
| 3.4 本章小结 | 第43-45页 |
| 第四章 基于极限学习机的高速公路行程时间预测模型 | 第45-53页 |
| 4.1 极限学习机模型 | 第45-49页 |
| 4.2 高速公路行程时间预测模型 | 第49-52页 |
| 4.2.1 模型输入输出参数 | 第49-50页 |
| 4.2.2 隐含层神经元数目的选取 | 第50页 |
| 4.2.3 模型的评价指标和交通状态的量化指标 | 第50-52页 |
| 4.3 本章小结 | 第52-53页 |
| 第五章 高速公路行程时间预测案例分析 | 第53-63页 |
| 5.1 研究范围 | 第53页 |
| 5.1.1 数据说明 | 第53页 |
| 5.1.2 研究区域介绍 | 第53页 |
| 5.2 预测模型推导 | 第53-61页 |
| 5.2.1 模型结构 | 第53-54页 |
| 5.2.2 训练样本 | 第54-56页 |
| 5.2.3 行程时间预测方法比较 | 第56-58页 |
| 5.2.4 融合前后结果对比及交通状态估计 | 第58-61页 |
| 5.3 本章小结 | 第61-63页 |
| 结论与展望 | 第63-65页 |
| 主要结论 | 第63-64页 |
| 研究展望 | 第64-65页 |
| 参考文献 | 第65-70页 |
| 致谢 | 第70-71页 |
| 附录A (攻读学位期间发表论文目录) | 第71-72页 |
| 附录B 攻读学位期间参与的科研项目 | 第72-73页 |
| 附录C Matlab程序代码 | 第73-74页 |
