摘要 | 第1-4页 |
ABSTRACT | 第4-8页 |
第一章 绪论 | 第8-13页 |
·研究背景 | 第8-9页 |
·研究意义 | 第9-10页 |
·国内外研究现状 | 第10-11页 |
·交通流量预测 | 第10页 |
·交通信号控制方法 | 第10-11页 |
·存在问题及发展趋势 | 第11-12页 |
·本文的研究内容和结构安排 | 第12-13页 |
第二章 基于自适应混沌搜索的粒子群优化算法 | 第13-32页 |
·粒子群优化算法及改进算法 | 第13-24页 |
·基本粒子群算法 | 第13页 |
·GCPSO 算法 | 第13-14页 |
·混沌粒子群优化算法 | 第14-16页 |
·改进PSO 算法的实验研究 | 第16-24页 |
·基于自适应混沌搜索的粒子群优化算法 | 第24-31页 |
·混沌映射与混沌序列 | 第24-25页 |
·基于自适应混沌搜索的粒子群优化算法 | 第25-27页 |
·算法效果分析 | 第27-31页 |
·小结 | 第31-32页 |
第三章 基于小波分析、遗传算法、神经网络的交通流预测 | 第32-45页 |
·小波变换及其多尺度分析 | 第32-35页 |
·基于小波分析的交通流消噪 | 第35-37页 |
·神经网络预测模型 | 第37页 |
·数据预处理 | 第37页 |
·神经网络预测模型 | 第37页 |
·基于遗传算法优化的神经网络 | 第37-38页 |
·基于多尺度分析与遗传算法优化神经网络的交通流预测 | 第38-39页 |
·仿真实验 | 第39-43页 |
·数据源 | 第39页 |
·误差指标定义 | 第39-40页 |
·参数设置 | 第40页 |
·结果分析 | 第40-43页 |
·小结 | 第43-45页 |
第四章 基于多粒子群优化算法和神经网络的交通流预测 | 第45-54页 |
·多种群协同进化粒子群算法 | 第45-48页 |
·微调策略 | 第45-46页 |
·自适应混沌搜索勘探策略 | 第46-47页 |
·种群之间共享信息 | 第47页 |
·算法设计 | 第47-48页 |
·神经网络测模型 | 第48-49页 |
·数据预处理 | 第48-49页 |
·神经网络预测模型 | 第49页 |
·多粒子群算法优化BP 神经网络 | 第49-50页 |
·基于多粒子群优化算法和神经网络的交通流预测 | 第50-53页 |
·数据源 | 第50页 |
·误差指标定义 | 第50页 |
·参数设置 | 第50-51页 |
·结果分析 | 第51-53页 |
·小结 | 第53-54页 |
第五章 基于粒子群优化算法的交叉口信号优化控制 | 第54-61页 |
·交叉口信号控制模型 | 第54-56页 |
·模型的参数分析 | 第54-55页 |
·优化模型 | 第55-56页 |
·最佳配时优化算法 | 第56-57页 |
·Webster 算法 | 第56-57页 |
·基于遗传算法的交通配时优化 | 第57页 |
·基于粒子群算法的交通配时优化 | 第57页 |
·实例分析 | 第57-60页 |
·路口现状 | 第57-58页 |
·实时优化控制 | 第58-60页 |
·小结 | 第60-61页 |
第六章 基于群智能算法的交叉路口多相位信号配时优化 | 第61-70页 |
·种群小生境粒子群算法(SNPSO) | 第61-62页 |
·基本概念 | 第61-62页 |
·算法设计 | 第62页 |
·多相位信号配时优化模型 | 第62-65页 |
·车流组合与相位映射关系 | 第62-63页 |
·交叉口信号控制模型的参数分析 | 第63-64页 |
·优化目标函数 | 第64-65页 |
·基于种群小生境粒子群算法的交叉口相位优化和配时优化 | 第65-68页 |
·路口现状 | 第66页 |
·交叉口优化控制 | 第66-68页 |
·小结 | 第68-70页 |
第七章 交叉口优化模型仿真系统 | 第70-80页 |
·系统建设目标和功能需求 | 第70-71页 |
·建设目标 | 第70页 |
·功能需求 | 第70-71页 |
·系统构成 | 第71-72页 |
·道路交通状况评价 | 第72-73页 |
·系统实现 | 第73-79页 |
·交叉口基本信息 | 第74-75页 |
·模型管理 | 第75-76页 |
·交通流预测 | 第76-77页 |
·交叉口信号优化 | 第77-78页 |
·优化效果 | 第78-79页 |
·小结 | 第79-80页 |
总结与展望 | 第80-82页 |
致谢 | 第82-83页 |
参考文献 | 第83-87页 |
在学期间发表的论著及参与的科研项目 | 第87页 |