| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 第一章 绪论 | 第11-17页 |
| 1.1 研究的背景 | 第11页 |
| 1.2 国内外研究的现状 | 第11-14页 |
| 1.2.1 国内外交通事故仿真研究现状 | 第11-13页 |
| 1.2.2 国内外交通流量仿真研究现状 | 第13-14页 |
| 1.3 研究目标及意义 | 第14-15页 |
| 1.3.1 研究目标 | 第14-15页 |
| 1.3.2 研究意义 | 第15页 |
| 1.4 研究主要内容 | 第15-16页 |
| 1.5 论文章节安排 | 第16-17页 |
| 第二章 道路交通事故仿真和道路流量仿真的相关技术 | 第17-27页 |
| 2.1 基于关联规则挖掘的事务预测技术和数据预处理技术 | 第17-19页 |
| 2.1.1 基于关联规则挖掘的事务预测技术 | 第17-18页 |
| 2.1.2 基于关联规则挖掘的数据清洗技术 | 第18-19页 |
| 2.2 基于DBSCAN聚类挖掘的数据分类预测技术 | 第19-21页 |
| 2.3 基于C4.5 决策树挖掘的数据分类预测技术 | 第21-23页 |
| 2.4 基于BP神经网络预测技术 | 第23-26页 |
| 2.4.1 神经网络的组成 | 第23-25页 |
| 2.4.2 MATLAB与神经网络 | 第25页 |
| 2.4.3 BP神经网络模型 | 第25-26页 |
| 2.5 本章小结 | 第26-27页 |
| 第三章 城市道路交通流量与事故仿真平台的需求分析与设计 | 第27-57页 |
| 3.1 系统需求分析 | 第27-28页 |
| 3.2 系统总体架构 | 第28-31页 |
| 3.2.1 网络拓扑结构 | 第28-29页 |
| 3.2.2 功能架构 | 第29页 |
| 3.2.3 层次架构 | 第29-31页 |
| 3.3 数据存储模型的设计 | 第31-38页 |
| 3.3.1 道路网络的数据存储模型 | 第31-32页 |
| 3.3.2 道路交通事故数据存储模型设计 | 第32-35页 |
| 3.3.3 道路交通流量数据存储模型设计 | 第35页 |
| 3.3.4 缓存模型的设计 | 第35-37页 |
| 3.3.5 数据库E-R图设计 | 第37-38页 |
| 3.4 数据清洗模块的设计 | 第38-40页 |
| 3.4.1 系统采集的数据特点 | 第38-39页 |
| 3.4.2 基于APRIORI关联规则算法的数据清洗模块设计 | 第39-40页 |
| 3.5 道路网络数据转换模块的设计 | 第40-42页 |
| 3.5.1 对道路网络数据源文件的分析 | 第40-41页 |
| 3.5.2 道路网络数据转换模块的工作流程 | 第41-42页 |
| 3.6 道路交通事故预测模块的设计 | 第42-46页 |
| 3.6.1 道路交通事故预测要求 | 第42页 |
| 3.6.2 APRIORI算法在交通事故预测中的不足 | 第42-43页 |
| 3.6.3 基于APRIORI算法对交通事故预测技术的改进 | 第43-44页 |
| 3.6.4 道路交通事故预测模块的设计 | 第44-46页 |
| 3.7 道路黑点预测模块的设计 | 第46-50页 |
| 3.7.1 对道路黑点划分的思考 | 第46页 |
| 3.7.2 DBSCAN算法在道路黑点判定中的不足 | 第46-47页 |
| 3.7.3 论文对DBSCAN算法的改进 | 第47-48页 |
| 3.7.4 黑点区域绘制方式 | 第48-49页 |
| 3.7.5 道路黑点预测模块的设计 | 第49-50页 |
| 3.8 道路长时流量预测模块的设计 | 第50-53页 |
| 3.8.1 对道路长时流量预测的思考 | 第50-51页 |
| 3.8.2 C4.5 决策树算法在道路长时流量预测中的应用 | 第51-52页 |
| 3.8.3 基于C4.5 决策树算法的道路长时流量预测模块设计 | 第52-53页 |
| 3.9 道路短时流量预测模块的设计 | 第53-56页 |
| 3.9.1 对BP神经网络在交通流量预测应用中的思考 | 第53-54页 |
| 3.9.2 对基于BP神经网络的短时交通流量预测模型参数的设计 | 第54-55页 |
| 3.9.3 道路短时交通流量预测模块的设计 | 第55-56页 |
| 3.10本章小结 | 第56-57页 |
| 第四章 城市道路交通流量与事故仿真平台的实现 | 第57-75页 |
| 4.1 数据清洗模块的实现 | 第57-60页 |
| 4.1.1 数据导入模块 | 第57-58页 |
| 4.1.2 数据过滤模块 | 第58页 |
| 4.1.3 基于APRIORI算法的关联规则挖掘模块的实现 | 第58-59页 |
| 4.1.4 数据清洗模块的实现 | 第59-60页 |
| 4.2 道路网络数据转换模块的实现 | 第60-62页 |
| 4.2.1 道路网络数据读取模块 | 第60-61页 |
| 4.2.2 道路网络数据解析模块 | 第61-62页 |
| 4.2.3 道路网络数据存储模块 | 第62页 |
| 4.3 道路交通事故预测模块的实现 | 第62-65页 |
| 4.3.1 数据除尘模块 | 第62-63页 |
| 4.3.2 基于改进后的APRIORI算法挖掘模块 | 第63页 |
| 4.3.3 规则去重复模块 | 第63-64页 |
| 4.3.4 事故预测模块 | 第64-65页 |
| 4.4 道路黑点预测模块的实现 | 第65-67页 |
| 4.4.1 事故损失计算模块 | 第65页 |
| 4.4.2 聚类挖掘模块 | 第65-66页 |
| 4.4.3 路段黑点绘制模块 | 第66-67页 |
| 4.5 道路长时流量预测模块的实现 | 第67-70页 |
| 4.5.1 决策树在内存中存储结构 | 第67-69页 |
| 4.5.2 缓存模块 | 第69页 |
| 4.5.3 C4.5 挖掘模块 | 第69-70页 |
| 4.6 道路短时流量预测模块的实现 | 第70-74页 |
| 4.6.1 数据导入模块 | 第70-71页 |
| 4.6.2 网络初始化模块 | 第71-72页 |
| 4.6.3 网络训练模块 | 第72-73页 |
| 4.6.4 流量预测模块 | 第73-74页 |
| 4.7 本章小结 | 第74-75页 |
| 第五章 城市道路交通流量与事故仿真平台的测试 | 第75-85页 |
| 5.1 测试环境 | 第75页 |
| 5.1.1 硬件环境 | 第75页 |
| 5.1.2 软件环境 | 第75页 |
| 5.2 功能测试 | 第75-84页 |
| 5.2.1 测试用例 | 第75-81页 |
| 5.2.2 测试结果 | 第81-84页 |
| 5.2.2.1 交通事故预测模块测试结果 | 第81页 |
| 5.2.2.2 道路黑点预测模块测试结果 | 第81-82页 |
| 5.2.2.3 道路长时流量预测测试结果 | 第82-83页 |
| 5.2.2.4 道路短时流量预测测试结果 | 第83-84页 |
| 5.3 测试结论 | 第84页 |
| 5.4 本章小结 | 第84-85页 |
| 第六章 结论与展望 | 第85-87页 |
| 6.1 论文总结 | 第85页 |
| 6.2 展望 | 第85-87页 |
| 致谢 | 第87-88页 |
| 参考文献 | 第88-91页 |
| 攻硕期间取得的研究成果 | 第91-92页 |
