| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第9-14页 |
| 1.1 研究背景 | 第9-10页 |
| 1.2 研究目的与意义 | 第10-12页 |
| 1.3 主要研究内容与结构 | 第12-14页 |
| 第二章 交通流短时预测方法概述 | 第14-23页 |
| 2.1 基于传统统计理论的预测方法 | 第15-16页 |
| 2.2 基于非线性系统理论的预测方法 | 第16-17页 |
| 2.2.1 基于小波分析的预测方法 | 第16-17页 |
| 2.2.2 基于突变理论的预测方法 | 第17页 |
| 2.2.3 基于分形理论的预测方法 | 第17页 |
| 2.3 基于知识发现的智能模型预测方法 | 第17-19页 |
| 2.3.1 神经网络预测方法 | 第18页 |
| 2.3.2 非参数回归预测方法 | 第18-19页 |
| 2.3.3 支持向量机回归预测方法 | 第19页 |
| 2.4 基于组合模型的预测方法 | 第19-21页 |
| 2.4.1 基于小波理论的综合模型 | 第19-20页 |
| 2.4.2 基于神经网络的综合模型 | 第20-21页 |
| 2.5 基于交通模拟的预测方法 | 第21页 |
| 2.6 基于新型技术的预测方法 | 第21-22页 |
| 2.7 本章小结 | 第22-23页 |
| 第三章 时空关联状态下短时预测探索分析 | 第23-31页 |
| 3.1 交通流时空特性 | 第23-24页 |
| 3.1.1 动态性 | 第23页 |
| 3.1.2 周相似性 | 第23-24页 |
| 3.1.3 相关性 | 第24页 |
| 3.2 城市道路交通状态数据相关性 | 第24-25页 |
| 3.3 卡尔曼滤波模型 | 第25-30页 |
| 3.3.1 卡尔曼滤波理论的基本原理 | 第25-28页 |
| 3.3.2 卡尔曼滤波估计的方法 | 第28-30页 |
| 3.4 本章小结 | 第30-31页 |
| 第四章 基于时空关联状态的多路段断面短时交通量预测模型 | 第31-47页 |
| 4.1 状态空间模型 | 第31-33页 |
| 4.1.1 相关基本概念 | 第31-33页 |
| 4.1.2 状态空间的描述 | 第33页 |
| 4.2 多维时间序列分析 | 第33-36页 |
| 4.3 城市道路网交通数据相关性分析 | 第36-39页 |
| 4.4 基于时空关联的路段多断面短时交通量预测模型 | 第39-46页 |
| 4.4.1 模型建立 | 第39-41页 |
| 4.4.2 模型参数估计 | 第41-44页 |
| 4.4.3 交通流的预测 | 第44-46页 |
| 4.5 本章小结 | 第46-47页 |
| 第五章 实例验证 | 第47-71页 |
| 5.1 数据的获取 | 第47-50页 |
| 5.1.1 固定型数据采集技术 | 第47-49页 |
| 5.1.2 移动型数据采集技术 | 第49-50页 |
| 5.2 道路多路段断面的相关性分析 | 第50-57页 |
| 5.3 道路多路段断面的交通量预测 | 第57-60页 |
| 5.4 多路段断面交通量预测结果分析 | 第60-64页 |
| 5.5 多路段断面多维时间序列与单路段断面一维时间序列预测对比分析 | 第64-69页 |
| 5.6 本章小结 | 第69-71页 |
| 第六章 结论与展望 | 第71-73页 |
| 6.1 主要研究结论 | 第71-72页 |
| 6.2 研究展望 | 第72-73页 |
| 参考文献 | 第73-78页 |
| 致谢 | 第78页 |
