| 内容摘要 | 第6-9页 |
| Abstract | 第9-11页 |
| 1 绪论 | 第18-29页 |
| 1.1 研究背景 | 第18-21页 |
| 1.2 研究目标、研究内容和拟解决的关键问题 | 第21-24页 |
| 1.2.1 研究目标和研究内容 | 第21-22页 |
| 1.2.2 拟解决的关键问题 | 第22-24页 |
| 1.3 研究方法与技术路线 | 第24-27页 |
| 1.3.1 研究方法与关键技术 | 第24-26页 |
| 1.3.2 技术路线 | 第26-27页 |
| 1.4 论文结构 | 第27-29页 |
| 2 车辆轨迹数据的匹配与建模 | 第29-57页 |
| 2.1 简介 | 第29-30页 |
| 2.2 国内外进展及分析 | 第30-32页 |
| 2.3 道路网络模型 | 第32-43页 |
| 2.3.1 道路的数字化表达 | 第32-34页 |
| 2.3.2 基于车流方向的道路网络模型 | 第34-35页 |
| 2.3.3 路网模型的操作 | 第35-41页 |
| 2.3.4 路网模型的实现 | 第41-43页 |
| 2.4 基于车辆行程的轨迹数据模型 | 第43-56页 |
| 2.4.1 基于车辆行程的轨迹数据模型 | 第43-44页 |
| 2.4.2 复杂道路网络的车辆轨迹地图匹配 | 第44-53页 |
| 2.4.3 车辆轨迹数据建模 | 第53-56页 |
| 2.5 总结 | 第56-57页 |
| 3 海量车辆轨迹数据的高效管理方案 | 第57-74页 |
| 3.1 简介 | 第57-59页 |
| 3.2 国内外进展及分析 | 第59-61页 |
| 3.3 时空大数据索引方案TripCube | 第61-66页 |
| 3.3.1 基本原理 | 第61-62页 |
| 3.3.2 TripCube的结构 | 第62-64页 |
| 3.3.3 初始化 | 第64-65页 |
| 3.3.4 车辆行程信息查询 | 第65-66页 |
| 3.4 TripCube效能分析 | 第66-72页 |
| 3.4.1 数据 | 第66页 |
| 3.4.2 实验环境 | 第66页 |
| 3.4.3 TripCube性能分析 | 第66-68页 |
| 3.4.4 对比分析 | 第68-72页 |
| 3.5 结论 | 第72-74页 |
| 4 基于熵的旅行时间可预测性分析 | 第74-93页 |
| 4.1 简介 | 第74-77页 |
| 4.2 旅行时间可预测性的计算方法 | 第77-80页 |
| 4.2.1 旅行时间序列的熵 | 第77-78页 |
| 4.2.2 旅行时间可预测性 | 第78-80页 |
| 4.3 旅行时间可预测性分析和评价 | 第80-91页 |
| 4.3.1 研究区域和数据 | 第80-81页 |
| 4.3.2 熵和可预测性 | 第81-83页 |
| 4.3.3 分析和讨论 | 第83-88页 |
| 4.3.4 旅行时间可预测性的有效性 | 第88-91页 |
| 4.4 结论 | 第91-93页 |
| 5 面向行程的旅行时间预测 | 第93-113页 |
| 5.1 简介 | 第93-95页 |
| 5.2 国内外进展及分析 | 第95-97页 |
| 5.3 基于BPNN的面向行程的旅行时间预测模型 | 第97-103页 |
| 5.3.1 基本原理 | 第97-98页 |
| 5.3.2 数据准备 | 第98-101页 |
| 5.3.3 BPNN预测模型 | 第101-103页 |
| 5.4 基于BPNN神经网络的面向行程的旅行时间预测 | 第103-112页 |
| 5.4.1 实验数据 | 第103-105页 |
| 5.4.2 构建BPNN预测模型 | 第105-107页 |
| 5.4.3 预测面向行程的旅行时间 | 第107-109页 |
| 5.4.4 预测结果评价 | 第109-111页 |
| 5.4.5 影响因素分析 | 第111-112页 |
| 5.5 总结 | 第112-113页 |
| 6 结论与展望 | 第113-115页 |
| 6.1 结论 | 第113-114页 |
| 6.2 未来展望 | 第114-115页 |
| 参考文献 | 第115-125页 |
| 在学期间取得的研究成果 | 第125-126页 |
| 后记 | 第126-127页 |