| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第1章 绪论 | 第10-20页 |
| 1.1 研究背景 | 第10-15页 |
| 1.1.1 国际道路交通安全状况 | 第10-12页 |
| 1.1.2 国内道路交通安全状况 | 第12-15页 |
| 1.2 国内外研究现状 | 第15-17页 |
| 1.2.1 国外研究现状 | 第15-16页 |
| 1.2.2 国内研究现状 | 第16-17页 |
| 1.3 研究目的及意义 | 第17页 |
| 1.4 论文研究内容及章节结构 | 第17-20页 |
| 1.4.1 主要研究内容 | 第17-18页 |
| 1.4.2 本文章节结构 | 第18-20页 |
| 第2章 交通流数据的时空相关性研究 | 第20-33页 |
| 2.1 交通流数据参数描述 | 第21-23页 |
| 2.2 论文所用数据说明 | 第23-24页 |
| 2.3 交通流相关性分析理论 | 第24-26页 |
| 2.4 交通流时间自相关性分析 | 第26-27页 |
| 2.5 交通流空间互相关性分析 | 第27-28页 |
| 2.6 交通流相似性分析 | 第28-32页 |
| 2.7 本章小结 | 第32-33页 |
| 第3章 交通流数据的采集与预处理 | 第33-43页 |
| 3.1 交通流数据采集技术 | 第33-35页 |
| 3.1.1 固定型采集技术 | 第33-34页 |
| 3.1.2 移动型采集技术 | 第34-35页 |
| 3.2 交通流数据预处理 | 第35-41页 |
| 3.2.1 缺失及异常数据产生原因 | 第35-36页 |
| 3.2.2 故障数据的识别 | 第36-38页 |
| 3.2.3 故障数据的修复 | 第38-40页 |
| 3.2.4 实证研究 | 第40-41页 |
| 3.3 本章小结 | 第41-43页 |
| 第4章 短时交通流预测 | 第43-58页 |
| 4.1 交通流预测问题描述 | 第43-45页 |
| 4.2 短时交通流预测模型 | 第45-49页 |
| 4.2.1 历史平均模型 | 第45页 |
| 4.2.2 ARIMA等时间序列预测模型 | 第45-46页 |
| 4.2.3 卡尔曼滤波模型 | 第46-47页 |
| 4.2.4 神经网络预测模型 | 第47-48页 |
| 4.2.5 预测模型评价指标 | 第48-49页 |
| 4.3 优化算法PSO及其改进 | 第49-52页 |
| 4.3.1 标准粒子群优化算法SPSO | 第49-50页 |
| 4.3.2 粒子群优化算法的改进策略 | 第50-52页 |
| 4.4 基于改进PSO优化神经网络的短时交通流预测模型 | 第52-53页 |
| 4.5 实证研究 | 第53-57页 |
| 4.6 本章小结 | 第57-58页 |
| 第5章 基于Adaboost分类器的交通事故实时预测 | 第58-70页 |
| 5.1 道路交通事故实时预测原理及过程设计 | 第58-59页 |
| 5.2 交通事故前兆状态特征的选择 | 第59-62页 |
| 5.2.1 特征选择原理 | 第59-61页 |
| 5.2.2 Parzen窗密度函数估计 | 第61页 |
| 5.2.3 基于概率分布的可分性判据 | 第61-62页 |
| 5.3 Adaboost交通事故预测器 | 第62-65页 |
| 5.3.1 Adaboost基本思想 | 第62-63页 |
| 5.3.2 CART决策树 | 第63-64页 |
| 5.3.3 Adaboost构建 | 第64-65页 |
| 5.4 实证研究 | 第65-69页 |
| 5.4.1 数据准备 | 第65页 |
| 5.4.2 特征选择 | 第65-67页 |
| 5.4.3 分类结果及相关分析 | 第67-69页 |
| 5.5 本章小结 | 第69-70页 |
| 第6章 总结与展望 | 第70-72页 |
| 6.1 总结 | 第70-71页 |
| 6.2 展望 | 第71-72页 |
| 参考文献 | 第72-76页 |
| 发表论文和参加科研情况说明 | 第76-77页 |
| 致谢 | 第77-78页 |