摘要 | 第5-7页 |
ABSTRACT | 第7-8页 |
第一章 绪论 | 第12-24页 |
1.1 课题来源 | 第12页 |
1.2 研究背景及意义 | 第12-13页 |
1.2.1 研究背景 | 第12页 |
1.2.2 研究意义 | 第12-13页 |
1.3 研究现状及面临的困难 | 第13-22页 |
1.3.1 研究现状和趋势 | 第13-15页 |
1.3.2 研究面临的困难 | 第15-17页 |
1.3.3 关键技术 | 第17-22页 |
1.4 论文研究内容及章节安排 | 第22-24页 |
第二章 基于 3D射线传播模型的移动用户定位 | 第24-62页 |
2.1 移动用户定位技术 | 第24-37页 |
2.1.1 传统移动用户定位技术 | 第24-25页 |
2.1.2 射线传播模型定位技术 | 第25-37页 |
2.2 3D射线传播模型用户定位实现方案 | 第37-45页 |
2.2.1 传播模型校正 | 第37-38页 |
2.2.2 构建 3D射线传播模型仿真覆盖与干扰图层 | 第38-40页 |
2.2.3 采用深度学习算法校正仿真图层 | 第40-42页 |
2.2.4 指纹库构建与匹配算法 | 第42-45页 |
2.3 实验分析 | 第45-61页 |
2.3.1 数据来源 | 第45页 |
2.3.2 生成基础仿真图层 | 第45-46页 |
2.3.3 获取实时的精细化覆盖和干扰信息 | 第46-50页 |
2.3.4 仿真图层的校正及仿真结果对比分析 | 第50-56页 |
2.3.5 实现用户定位及定位结果分析 | 第56-61页 |
2.4 本章小结 | 第61-62页 |
第三章 基于DVTD的移动用户出行模式识别 | 第62-82页 |
3.1 移动用户的出行模式 | 第62-63页 |
3.2 传统的出行模式识别方法 | 第63-64页 |
3.3 动态聚类的相关算法 | 第64-68页 |
3.3.1 M-BIRCH算法 | 第64-65页 |
3.3.2 M-BIRCH的阈值调整 | 第65-66页 |
3.3.3 基于密度聚类的算法 | 第66-67页 |
3.3.4 DVTD算法 | 第67-68页 |
3.4 基于DVTD的移动用户出行模式的识别过程 | 第68-76页 |
3.4.1 移动用户出行特征向量的预处理与提取 | 第69-71页 |
3.4.2 道路匹配 | 第71-75页 |
3.4.3 基于DVTD的移动用户出行模式识别 | 第75-76页 |
3.5 实验分析 | 第76-81页 |
3.5.1 实验数据说明 | 第76页 |
3.5.2 用户速度和速度变化系数的分析 | 第76-78页 |
3.5.3 基于DVTD的移动用户出行模式识别 | 第78-81页 |
3.6 本章小结 | 第81-82页 |
第四章 道路交通状态的识别与预测 | 第82-132页 |
4.1 交通状态的概述 | 第82-89页 |
4.1.1 交通状态的分类 | 第82-83页 |
4.1.2 交通特征参数 | 第83-84页 |
4.1.3 交通流特征参数模型 | 第84-85页 |
4.1.4 交通状态识别的指标 | 第85-86页 |
4.1.5 交通状态识别方法 | 第86-87页 |
4.1.6 交通状态预测方法 | 第87-89页 |
4.2 基于模糊综合评价模型的道路交通状态识别 | 第89-93页 |
4.2.1 道路的交通流特征分析 | 第89页 |
4.2.2 基于模糊综合评价的道路交通状态的识别方法 | 第89-93页 |
4.3 基于随机森林算法的道路交通状态的预测 | 第93-97页 |
4.3.1 决策树的原理 | 第93-94页 |
4.3.2 随机森林算法 | 第94-95页 |
4.3.3 随机森林算法的改进 | 第95-97页 |
4.4 实例分析 | 第97-131页 |
4.4.1 交通状态识别与预测的实现流程 | 第97-107页 |
4.4.2 基于模糊综合评价模型的交通状态识别实例分析 | 第107-114页 |
4.4.3 交通状态预测的流程 | 第114-115页 |
4.4.4 基于随机森林模型的交通状态的预测实例分析 | 第115-131页 |
4.5 本章小结 | 第131-132页 |
总结与展望 | 第132-135页 |
1、论文总结 | 第132-133页 |
2、未来展望 | 第133-135页 |
参考文献 | 第135-140页 |
附录 | 第140-141页 |
攻读博士期间取得的研究成果 | 第141-143页 |
致谢 | 第143-144页 |
附件 | 第144-151页 |