| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 1 绪论 | 第9-17页 |
| 1.1 论文研究背景 | 第9-10页 |
| 1.2 研究意义及目的 | 第10页 |
| 1.3 国内外研究现状 | 第10-15页 |
| 1.3.1 短时交通流预测 | 第10-13页 |
| 1.3.2 交通信号控制 | 第13-15页 |
| 1.4 论文主要研究内容 | 第15-17页 |
| 2 短时交通流预测与交通信号控制 | 第17-27页 |
| 2.1 短时交通流预测 | 第17-22页 |
| 2.1.1 短时交通流预测基本流程和要求 | 第17-18页 |
| 2.1.2 短时交通流基本特征参数分析 | 第18-21页 |
| 2.1.3 短时交通流预测评价指标 | 第21-22页 |
| 2.2 交通信号控制 | 第22-26页 |
| 2.2.1 交通信号控制的目的 | 第22-23页 |
| 2.2.2 交通信号控制参数 | 第23-25页 |
| 2.2.3 交通信号控制技术 | 第25-26页 |
| 2.3 本章小结 | 第26-27页 |
| 3 Elman神经网络和粒子群算法 | 第27-40页 |
| 3.1 人工神经网络简介 | 第27-29页 |
| 3.1.1 人工神经网络的特点 | 第27-28页 |
| 3.1.2 人工神经网络的结构 | 第28-29页 |
| 3.2 Elman神经网络 | 第29-32页 |
| 3.2.1 Elman神经网络的结构 | 第29-30页 |
| 3.2.2 Elman神经网络的学习算法 | 第30-32页 |
| 3.3 粒子群优化算法 | 第32-39页 |
| 3.3.1 标准粒子群算法 | 第32-35页 |
| 3.3.2 粒子群算法的改进 | 第35-39页 |
| 3.4 本章小结 | 第39-40页 |
| 4 基于IPSO-Elman神经网络的短时交通流预测研究 | 第40-52页 |
| 4.1 短时交通流数据采集及时空特性分析 | 第40-46页 |
| 4.1.1 短时交通流数据采集 | 第40-42页 |
| 4.1.2 短时交通流时间特性分析 | 第42-44页 |
| 4.1.3 区域路网短时交通流空间特性分析 | 第44-46页 |
| 4.2 基于IPSO-Elman神经网络的预测模型 | 第46-47页 |
| 4.2.1 IPSO和Elman神经网络的融合 | 第46页 |
| 4.2.2 IPSO优化Elman神经网络的流程 | 第46-47页 |
| 4.3 实验仿真分析 | 第47-51页 |
| 4.3.1 仿真实例 | 第47-48页 |
| 4.3.2 交通流数据预处理 | 第48-49页 |
| 4.3.3 IPSO-Elman神经网络模型参数选择 | 第49-50页 |
| 4.3.4 实验结果分析 | 第50-51页 |
| 4.4 本章小结 | 第51-52页 |
| 5 基于车流量的智能交通交叉口信号优化控制 | 第52-62页 |
| 5.1 交叉路口交通网络模型的建立与分析 | 第52-54页 |
| 5.1.1 交叉路口交通网络模型的建立 | 第52-53页 |
| 5.1.2 中心交叉路口车流量控制模型 | 第53-54页 |
| 5.2 智能交通交叉口交通信号灯控制模型 | 第54-59页 |
| 5.2.1 交叉口交通信号灯轮询控制模型 | 第54-55页 |
| 5.2.2 轮询控制模型的门限服务策略 | 第55页 |
| 5.2.3 交叉口交通灯动态配时分析 | 第55-58页 |
| 5.2.4 交叉口交通灯控制效果评价指标 | 第58-59页 |
| 5.3 实验仿真 | 第59-61页 |
| 5.4 本章小结 | 第61-62页 |
| 结论 | 第62-64页 |
| 致谢 | 第64-65页 |
| 参考文献 | 第65-68页 |
| 攻读硕士学位期间的研究成果 | 第68页 |
