城市道路交通流预测与交通状态识别方法研究
| 摘要 | 第3-4页 |
| ABSTRACT | 第4-5页 |
| 第1章 绪论 | 第9-13页 |
| 1.1 选题背景及意义 | 第9页 |
| 1.2 国内外研究现状 | 第9-11页 |
| 1.2.1 城市交通流预测研究现状 | 第9-10页 |
| 1.2.2 城市道路交通状态识别研究现状 | 第10-11页 |
| 1.3 论文研究内容和组织结构 | 第11-13页 |
| 第2章 交通信息获取与数据预处理 | 第13-25页 |
| 2.1 交通信息采集技术概述 | 第13-14页 |
| 2.2 数据获取技术及分析 | 第14-16页 |
| 2.2.1 视频检测与车牌识别技术简介 | 第14-16页 |
| 2.2.2 基于卡口系统获取过车数据记录 | 第16页 |
| 2.3 交通流参数选择与计算 | 第16-19页 |
| 2.3.1 交通流参数选择 | 第16-17页 |
| 2.3.2 交通流参数计算 | 第17-19页 |
| 2.4 交通流数据获取与预处理 | 第19-24页 |
| 2.4.1 交通流数据获取 | 第19-22页 |
| 2.4.2 故障数据识别及处理 | 第22页 |
| 2.4.3 缺失数据识别及修复 | 第22-24页 |
| 2.5 本章小结 | 第24-25页 |
| 第3章 短时交通流预测方法 | 第25-38页 |
| 3.1 短时交通流预测概述 | 第25-26页 |
| 3.1.1 短时交通流预测概念 | 第25-26页 |
| 3.1.2 短时交通流预测评价指标 | 第26页 |
| 3.2 基于BP神经网络的短时交通流预测 | 第26-28页 |
| 3.2.1 BP神经网络概述 | 第26页 |
| 3.2.2 基于BP神经网络的交通流预测过程 | 第26-28页 |
| 3.3 基于小波神经网络的短时交通流预测方法 | 第28-32页 |
| 3.3.1 小波神经网络 | 第28-31页 |
| 3.3.2 基于小波神经网络的交通流预测过程 | 第31-32页 |
| 3.4 城市道路短时交通流预测实例 | 第32-37页 |
| 3.4.1 训练样本构造与预处理 | 第33-34页 |
| 3.4.2 网络拓扑结构的确定 | 第34-35页 |
| 3.4.3 短时交通流预测模型仿真 | 第35-37页 |
| 3.4.4 预测结果分析 | 第37页 |
| 3.5 本章小结 | 第37-38页 |
| 第4章 基于模糊聚类的城市道路交通状态识别方法 | 第38-49页 |
| 4.1 交通状态含义 | 第38-39页 |
| 4.2 模糊聚类算法及其在交通状态识别中的应用 | 第39-42页 |
| 4.2.1 聚类分析概述 | 第39-40页 |
| 4.2.2 FCM算法概述 | 第40-42页 |
| 4.3 基于模糊聚类的交通状态识别方法 | 第42-43页 |
| 4.3.1 交通状态识别基本流程 | 第42-43页 |
| 4.3.2 道路交通状态识别具体方法 | 第43页 |
| 4.4 城市道路状态识别实例 | 第43-48页 |
| 4.4.1 数据准备 | 第43-44页 |
| 4.4.2 实验具体过程 | 第44-48页 |
| 4.4.3 实验结果分析 | 第48页 |
| 4.5 本章小结 | 第48-49页 |
| 第5章 交通流预测与状态识别功能实现 | 第49-57页 |
| 5.1 需求分析 | 第49-51页 |
| 5.1.1 功能性需求 | 第49-50页 |
| 5.1.2 非功能性需求 | 第50-51页 |
| 5.2 交通流预测与状态识别功能设计 | 第51-52页 |
| 5.2.1 系统框架 | 第51页 |
| 5.2.2 数据表设计 | 第51-52页 |
| 5.3 交通流预测与状态识别功能实现 | 第52-56页 |
| 5.3.1 交通数据管理模块 | 第52-53页 |
| 5.3.2 交通流量预测模块 | 第53-54页 |
| 5.3.3 交通状态识别模块 | 第54-56页 |
| 5.4 总结 | 第56-57页 |
| 第6章 结论 | 第57-59页 |
| 6.1 总结 | 第57页 |
| 6.2 未来工作展望 | 第57-59页 |
| 攻读硕士学位期间取得的学术成果 | 第59-60页 |
| 参考文献 | 第60-63页 |
| 致谢 | 第63页 |
