城市快速路交通流数据融合方法研究
| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 1 绪论 | 第10-15页 |
| 1.1 研究背景与意义 | 第10-11页 |
| 1.1.1 研究背景 | 第10页 |
| 1.1.2 研究目的与意义 | 第10-11页 |
| 1.2 现状综述 | 第11-12页 |
| 1.2.1 国外研究现状 | 第11页 |
| 1.2.2 国内研究现状 | 第11-12页 |
| 1.2.3 既有研究总结 | 第12页 |
| 1.3 研究内容 | 第12-13页 |
| 1.4 技术路线 | 第13-14页 |
| 1.5 本章小结 | 第14-15页 |
| 2 交通数据预处理 | 第15-22页 |
| 2.1 数据采集技术 | 第15-16页 |
| 2.1.1 固定检测器采集方法 | 第15-16页 |
| 2.1.2 移动检测器采集方法 | 第16页 |
| 2.2 检测技术及数据格式分析 | 第16-19页 |
| 2.2.1 浮动车数据格式分析 | 第16-18页 |
| 2.2.2 微波传感检测器数据格式分析 | 第18-19页 |
| 2.2.3 车牌检测器数据格式分析 | 第19页 |
| 2.3 固定检测器数据预处理 | 第19-21页 |
| 2.3.1 交通流数据过滤 | 第19-20页 |
| 2.3.2 交通流数据补偿 | 第20-21页 |
| 2.4 模型有效性验证方法 | 第21页 |
| 2.5 本章小结 | 第21-22页 |
| 3 数据融合方法 | 第22-35页 |
| 3.1 数据融合算法对比 | 第23-26页 |
| 3.1.1 加权平均融合算法 | 第24-25页 |
| 3.1.2 贝叶斯算法 | 第25页 |
| 3.1.3 D-S证据理论 | 第25页 |
| 3.1.4 模糊融合算法 | 第25-26页 |
| 3.2 回归模型 | 第26-27页 |
| 3.2.1 二元回归模型与回归方程 | 第26-27页 |
| 3.2.2 估计的回归方程 | 第27页 |
| 3.2.3 参数的最小二乘估计 | 第27页 |
| 3.3 神经网络模型 | 第27-34页 |
| 3.3.1 基于BP神经网络的融合模型 | 第27-32页 |
| 3.3.2 基于GA-BP神经网络的融合模型 | 第32-34页 |
| 3.4 本章小结 | 第34-35页 |
| 4 实证研究 | 第35-60页 |
| 4.1 某城市快速路基本情况 | 第35-36页 |
| 4.2 某城市快速路交通流数据 | 第36-41页 |
| 4.2.1 各检测器数据特性 | 第36-37页 |
| 4.2.2 数据格式 | 第37-41页 |
| 4.3 某城市快速路交通流数据预处理 | 第41-44页 |
| 4.3.1 原始数据获取 | 第41-42页 |
| 4.3.2 原始数据预处理 | 第42-44页 |
| 4.4 数据的有效性判断 | 第44-45页 |
| 4.5 基于线性回归的数据融合 | 第45-50页 |
| 4.5.1 回归分析法进行数据融合 | 第45-46页 |
| 4.5.2 数据融合模型的有效性分析 | 第46-49页 |
| 4.5.3 回归分析法数据融合模型小结 | 第49-50页 |
| 4.6 基于神经网络的数据融合 | 第50-57页 |
| 4.6.1 数据融合模型的训练 | 第50页 |
| 4.6.2 GA-BP神经网络融合算法 | 第50-53页 |
| 4.6.3 数据融合模型的有效性分析 | 第53-57页 |
| 4.6.4 神经网络法数据融合小结 | 第57页 |
| 4.7 模型结果对比分析 | 第57-58页 |
| 4.8 本章小结 | 第58-60页 |
| 结论与展望 | 第60-61页 |
| 5.1 论文主要工作 | 第60页 |
| 5.2 研究工作展望 | 第60-61页 |
| 参考文献 | 第61-66页 |
| 致谢 | 第66页 |
