| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第一章 绪论 | 第10-18页 |
| 1.1 研究背景与意义 | 第10-12页 |
| 1.2 课题相关领域研究现状 | 第12-14页 |
| 1.2.1 交通数据融合的行程速度现状研究 | 第12-13页 |
| 1.2.2 融合方法的评价 | 第13-14页 |
| 1.3 论文主要工作 | 第14-15页 |
| 1.4 本文的组织结构 | 第15-18页 |
| 第二章 交通数据的采集技术与修正 | 第18-33页 |
| 2.1 动态交通数据采集技术 | 第18-19页 |
| 2.1.1 固定检测器技术 | 第18-19页 |
| 2.1.2 移动检测器技术 | 第19页 |
| 2.2 交通仿真环境设计 | 第19-24页 |
| 2.2.1 道路交通仿真环境设计 | 第20-24页 |
| 2.3 故障数据出现失真的原因判别 | 第24-26页 |
| 2.3.1 固定检测器的交通参数的合理范围 | 第24-26页 |
| 2.3.2 GPS浮动车检测器的交通参数的合理范围 | 第26页 |
| 2.4 故障数据的修正 | 第26-31页 |
| 2.4.1 线圈检测器的交通参数修正实验 | 第28-30页 |
| 2.4.2 浮动车检测器的交通数据修正实验 | 第30-31页 |
| 2.5 本章小结 | 第31-33页 |
| 第三章 交通数据融合的基础理论和方法 | 第33-41页 |
| 3.1 数据融合的概念与层次 | 第33-36页 |
| 3.2 数据融合在交通中的应用 | 第36-39页 |
| 3.2.1 数据融合的流程 | 第36-37页 |
| 3.2.2 交通数据融合模型 | 第37-39页 |
| 3.2.3 交通数据融合质量的评价 | 第39页 |
| 3.3 交通数据融合的方法 | 第39-40页 |
| 3.4 本章小结 | 第40-41页 |
| 第四章 单类型检测器数据的行程速度预测 | 第41-52页 |
| 4.1 线圈检测数据的行程速度预测 | 第41-43页 |
| 4.2 单辆GPS浮动车的行程速度预测 | 第43页 |
| 4.3 多辆GPS浮动车的行程速度预测 | 第43-48页 |
| 4.3.1 关键融合参数的计算 | 第44-46页 |
| 4.3.2 FC样本过滤 | 第46-47页 |
| 4.3.3 FC有效样本数判断 | 第47页 |
| 4.3.4 多辆FC速度融合算法 | 第47-48页 |
| 4.4 算法仿真实验分析 | 第48-50页 |
| 4.5 评价指标对比 | 第50页 |
| 4.6 本章小结 | 第50-52页 |
| 第五章 基于多源交通数据融合的行程速度预测 | 第52-63页 |
| 5.1 BP神经网络 | 第52-57页 |
| 5.1.1 BP神经网络的结构与算法 | 第53-56页 |
| 5.1.2 自适应学习速率法 | 第56-57页 |
| 5.2 改进BP算法的行程速度预测模型 | 第57-59页 |
| 5.3 仿真实验验证与结果分析 | 第59-62页 |
| 5.4 本章小结 | 第62-63页 |
| 第六章 总结与展望 | 第63-65页 |
| 6.1 研究结论 | 第63页 |
| 6.2 研究展望 | 第63-65页 |
| 致谢 | 第65-66页 |
| 参考文献 | 第66-70页 |
| 附录 | 第70-71页 |
| 详细摘要 | 第71-73页 |