| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 第一章 绪论 | 第9-16页 |
| 1.1 研究背景及意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-14页 |
| 1.2.1 浮动车应用及研究现状 | 第10-12页 |
| 1.2.2 交通流预测研究现状 | 第12-14页 |
| 1.2.3 基于路网状态的交通诱导 | 第14页 |
| 1.3 论文工作内容 | 第14-15页 |
| 1.4 论文组织结构 | 第15-16页 |
| 第二章 基础理论和相关技术 | 第16-26页 |
| 2.1 浮动车技术 | 第16-20页 |
| 2.1.1 浮动车 | 第16页 |
| 2.1.2 GPS数据文件及GPS轨迹 | 第16-17页 |
| 2.1.3 浮动车技术框架及原理 | 第17-20页 |
| 2.2 交通流特征参数 | 第20-23页 |
| 2.2.1 术语定义 | 第20-22页 |
| 2.2.2 基本特征参数 | 第22-23页 |
| 2.3 预测模型相关理论 | 第23-25页 |
| 2.4 本章小结 | 第25-26页 |
| 第三章 浮动车数据的预处理及验证 | 第26-40页 |
| 3.1 浮动车最小样本需求量的确定方法 | 第26-31页 |
| 3.1.1 基于单条路段交通信息采集的浮动车最小样本需求量确定方法 | 第26-27页 |
| 3.1.2 基于路网交通信息采集的浮动车样本最小数量确定方法 | 第27-31页 |
| 3.2 数据预处理与验证 | 第31-39页 |
| 3.2.1 数据采集与处理 | 第31-33页 |
| 3.2.2 计算结果与分析 | 第33-39页 |
| 3.3 本章小结 | 第39-40页 |
| 第四章 交通流预测模型建立及验证 | 第40-59页 |
| 4.1 SVM基本理论分析 | 第40-44页 |
| 4.1.1 统计学习理论 | 第40页 |
| 4.1.2 支持向量机理论 | 第40-42页 |
| 4.1.3 支持向量机回归理论 | 第42-44页 |
| 4.2 SVM预测模型 | 第44-46页 |
| 4.2.1 常用交通流短时预测方法面临的问题 | 第44页 |
| 4.2.2 SVR用于交通流短时预测的适应性分析 | 第44-45页 |
| 4.2.3 核函数及其作用分析 | 第45-46页 |
| 4.3 基于SVM的车流量预测实验 | 第46-56页 |
| 4.3.1 状态模型的建立 | 第47-49页 |
| 4.3.2 参数选择 | 第49-51页 |
| 4.3.3 训练集的预处理及参数选择 | 第51-56页 |
| 4.4 车流量预测结果比较和分析 | 第56-58页 |
| 4.5 本章小结 | 第58-59页 |
| 第五章 PageRank在交通流预测中的应用 | 第59-70页 |
| 5.1 基于GPS数据预测交通状况存在的问题 | 第59页 |
| 5.2 PageRank算法 | 第59-61页 |
| 5.2.1 算法简介 | 第59-60页 |
| 5.2.2 网页PageRank实例 | 第60-61页 |
| 5.3 改进的基于权值的PageRank算法 | 第61-63页 |
| 5.4 PageRank平滑后的SVM交通流预测实验结果与分析 | 第63-66页 |
| 5.5 路径导航 | 第66-68页 |
| 5.6 本章小结 | 第68-70页 |
| 第六章 总结与展望 | 第70-72页 |
| 6.1 研究总结 | 第70-71页 |
| 6.2 研究展望 | 第71-72页 |
| 参考文献 | 第72-75页 |
| 攻读学位期间取得的研究成果 | 第75-76页 |
| 致谢 | 第76页 |
