| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 第一章 绪论 | 第10-18页 |
| 1.1 研究背景 | 第10-11页 |
| 1.2 研究意义 | 第11-12页 |
| 1.3 国内外研究现状 | 第12-15页 |
| 1.3.1 国外研究现状 | 第12-13页 |
| 1.3.2 国内研究现状 | 第13-14页 |
| 1.3.3 国内外研究现状评述 | 第14-15页 |
| 1.4 研究内容及技术路线 | 第15-18页 |
| 1.4.1 研究内容 | 第15-16页 |
| 1.4.2 技术路线图 | 第16-18页 |
| 第二章 行程时间预测概述 | 第18-34页 |
| 2.1 基于高速公路收费数据的行程时间概述 | 第18-24页 |
| 2.1.1 高速公路收费数据 | 第18-19页 |
| 2.1.2 高速公路行程时间及行程时间预测的定义 | 第19-21页 |
| 2.1.3 高速公路行程时间的特性分析 | 第21-24页 |
| 2.2 行程时间预测方法 | 第24-29页 |
| 2.2.1 参数回归模型 | 第24-26页 |
| 2.2.2 非参数回归模型 | 第26-28页 |
| 2.2.3 预测方法的评述及选取 | 第28-29页 |
| 2.3 K近邻非参数回归法 | 第29-33页 |
| 2.3.1 K近邻非参数回归法概述 | 第29-30页 |
| 2.3.2 K近邻非参数回归法的关键步骤 | 第30-32页 |
| 2.3.3 K近邻非参数回归法的主要因素 | 第32-33页 |
| 2.4 本章小结 | 第33-34页 |
| 第三章 K近邻非参数回归法的改进 | 第34-47页 |
| 3.1 K近邻非参数回归法的改进方向 | 第34-37页 |
| 3.1.1 状态向量的改进方向 | 第34-35页 |
| 3.1.2 K近邻搜索的改进方向 | 第35-37页 |
| 3.2 状态向量的改进 | 第37-39页 |
| 3.2.1 主成分分析的基本原理 | 第37-38页 |
| 3.2.2 主成分分析法构建状态向量 | 第38-39页 |
| 3.3 K近邻搜索的改进 | 第39-45页 |
| 3.3.1 交通事件状态下的子数据库 | 第39-41页 |
| 3.3.2 常规交通状态下的子数据库 | 第41-43页 |
| 3.3.3 变K值搜索 | 第43-45页 |
| 3.4 改进K近邻非参数回归法的预测步骤 | 第45-46页 |
| 3.5 本章小结 | 第46-47页 |
| 第四章 改进K近邻非参数回归法的实现 | 第47-62页 |
| 4.1 高速公路数据来源及预处理 | 第47-53页 |
| 4.1.1 高速公路数据来源 | 第47-49页 |
| 4.1.2 数据预处理及应用 | 第49-53页 |
| 4.2 状态向量的构建 | 第53-56页 |
| 4.2.1 原始向量的选择 | 第53-54页 |
| 4.2.2 主成分的确定 | 第54-55页 |
| 4.2.3 因子荷载的确定 | 第55-56页 |
| 4.3 变K值搜索的实现 | 第56-61页 |
| 4.3.1 交通事件状态下子数据库的建立 | 第56-58页 |
| 4.3.2 常规交通状态下子数据库的建立 | 第58-60页 |
| 4.3.3 K值的确定 | 第60-61页 |
| 4.4 本章小结 | 第61-62页 |
| 第五章 预测结果对比及分析 | 第62-73页 |
| 5.1 实验设计 | 第62-63页 |
| 5.2 对比指标 | 第63-64页 |
| 5.3 对比预测及结果分析 | 第64-70页 |
| 5.3.1 改进状态向量的K近邻法与改进前K近邻法的对比 | 第64-65页 |
| 5.3.2 变K值搜索的K近邻法与改进前K近邻法的对比 | 第65-67页 |
| 5.3.3 同时改进的K近邻法与改进前K近邻法的对比 | 第67-68页 |
| 5.3.4 各个改进条件下K近邻法的对比 | 第68-70页 |
| 5.4 实际应用 | 第70-72页 |
| 5.5 本章小结 | 第72-73页 |
| 第六章 总结与展望 | 第73-75页 |
| 6.1 论文工作总结 | 第73-74页 |
| 6.2 研究展望 | 第74-75页 |
| 参考文献 | 第75-79页 |
| 致谢 | 第79页 |
