| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 第一章 绪论 | 第12-18页 |
| 1.1 课题来源 | 第12页 |
| 1.2 研究背景与意义 | 第12-13页 |
| 1.3 研究问题与目标 | 第13-14页 |
| 1.4 研究内容 | 第14-17页 |
| 1.4.1 技术路线 | 第15-16页 |
| 1.4.2 组织结构 | 第16-17页 |
| 1.5 本章小结 | 第17-18页 |
| 第二章 文献综述及基础理论 | 第18-29页 |
| 2.1 云计算及关键技术 | 第18-21页 |
| 2.1.1 云计算概念 | 第18-19页 |
| 2.1.2 云计算关键技术 | 第19-21页 |
| 2.2 基于浮动车数据的交通参数估计 | 第21-24页 |
| 2.3 交通状态信息估计 | 第24-27页 |
| 2.4 大规模路网的最短路径诱导算法 | 第27-28页 |
| 2.5 本章小结 | 第28-29页 |
| 第三章 基于云计算的改进K-means算法 | 第29-41页 |
| 3.1 问题分析 | 第29页 |
| 3.2 聚类算法概述 | 第29-30页 |
| 3.3 基于MapReduce的CK-means并行算法 | 第30-37页 |
| 3.4 算例分析 | 第37-40页 |
| 3.5 本章小结 | 第40-41页 |
| 第四章 基于浮动车数据的交通参数估计 | 第41-56页 |
| 4.1 问题分析 | 第41页 |
| 4.2 数据计算框架 | 第41-43页 |
| 4.3 数据存储与管理 | 第43-47页 |
| 4.4 数据map匹配 | 第47-48页 |
| 4.5 基于云计算的交通参数估计 | 第48-50页 |
| 4.6 算例分析 | 第50-54页 |
| 4.6.1 数据查询分析 | 第50-52页 |
| 4.6.2 Map匹配分析 | 第52-54页 |
| 4.7 本章小结 | 第54-56页 |
| 第五章 交通状态信息估计方法 | 第56-78页 |
| 5.1 问题分析 | 第56-58页 |
| 5.2 一般模型 | 第58-60页 |
| 5.3 交通状态关联性 | 第60-65页 |
| 5.3.1 基本图 | 第60-61页 |
| 5.3.2 链路队列模型 | 第61-64页 |
| 5.3.3 基本图的交通基础设施状态 | 第64-65页 |
| 5.4 基于期望优化的扩展卡尔曼滤波算法 | 第65-69页 |
| 5.4.1 期望优化算法(Expectation optimization) | 第65-66页 |
| 5.4.2 扩展卡尔曼滤波算法(Extended Kalman filter) | 第66-69页 |
| 5.5 算例分析 | 第69-76页 |
| 5.6 本章小结 | 第76-78页 |
| 第六章 大规模路网最短路径诱导算法 | 第78-104页 |
| 6.1 问题分析 | 第78页 |
| 6.2 基于MapReduce的最短路径算法 | 第78-85页 |
| 6.2.1 算法简述 | 第78-83页 |
| 6.2.2 算例说明 | 第83-85页 |
| 6.3 大规模路网分割步骤 | 第85-91页 |
| 6.3.1 原理 | 第85-86页 |
| 6.3.2 GPS坐标计算 | 第86-87页 |
| 6.3.3 确定划分位置 | 第87-90页 |
| 6.3.4 子图分区 | 第90-91页 |
| 6.4 启动节点任务步骤描述 | 第91-94页 |
| 6.4.1 子图节点经度和维度投射 | 第92-94页 |
| 6.4.2 最短路径计算及其复杂度分析 | 第94页 |
| 6.4.3 最短路径检索 | 第94页 |
| 6.5 结果分析 | 第94-96页 |
| 6.6 算例分析 | 第96-103页 |
| 6.6.1 实例分析 | 第96-97页 |
| 6.6.2 子图大小对实验结果的影响 | 第97-99页 |
| 6.6.3 子图大小对计算复杂度的影响 | 第99-100页 |
| 6.6.4 Hadoop框架效率与直接计算的分析 | 第100-101页 |
| 6.6.5 Hadoop从节点数量对算法的影响 | 第101-102页 |
| 6.6.6 迭代次数对算法改进的影响 | 第102-103页 |
| 6.7 本章小结 | 第103-104页 |
| 结论和展望 | 第104-106页 |
| 参考文献 | 第106-117页 |
| 攻读博士学位期间取得的研究成果 | 第117-119页 |
| 附件 | 第119-120页 |
| 致谢 | 第120页 |
