| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第13-25页 |
| 1.1 研究背景和意义 | 第13-14页 |
| 1.2 国内外研究概况 | 第14-21页 |
| 1.2.1 交通事件检测算法研究 | 第14-19页 |
| 1.2.2 基于信息融合的交通事件检测方法研究 | 第19-21页 |
| 1.2.3 国内外研究现状总结 | 第21页 |
| 1.3 研究内容及技术路线 | 第21-23页 |
| 1.3.1 研究内容 | 第21-22页 |
| 1.3.2 技术路线 | 第22-23页 |
| 1.4 本章小结 | 第23-25页 |
| 第二章 事件检测信息采集及融合技术 | 第25-41页 |
| 2.1 交通信息采集技术 | 第25-27页 |
| 2.1.1 交通信息采集技术概述 | 第25-26页 |
| 2.1.2 交通信息检测技术比较分析 | 第26-27页 |
| 2.2 基于手机切换定位的交通信息采集技术 | 第27-31页 |
| 2.2.1 手机切换定位技术基本原理 | 第27-29页 |
| 2.2.2 基于手机切换定位的交通信息采集技术 | 第29-31页 |
| 2.3 微波交通检测技术 | 第31-32页 |
| 2.4 多源数据特性分析 | 第32-36页 |
| 2.5 事件检测信息融合 | 第36-40页 |
| 2.5.1 信息融合技术 | 第36页 |
| 2.5.2 事件检测信息融合结构 | 第36-38页 |
| 2.5.3 事件检测信息融合有效性分析 | 第38-40页 |
| 2.6 本章小结 | 第40-41页 |
| 第三章 交通事件检测特征选择 | 第41-55页 |
| 3.1 车流波动理论 | 第41-42页 |
| 3.2 事件状态下的车流波动分析 | 第42-45页 |
| 3.3 基于RF-RFE的交通事件检测特征选择 | 第45-50页 |
| 3.3.1 构建初始变量集 | 第45-46页 |
| 3.3.2 基于RF-RFE的事件检测特征选择算法 | 第46-48页 |
| 3.3.3 事件检测特征选择案例分析 | 第48-50页 |
| 3.4 事件检测特征参数变化实证分析 | 第50-53页 |
| 3.5 本章小结 | 第53-55页 |
| 第四章 基于粒子群优化及改进LSSVM的事件检测算法 | 第55-71页 |
| 4.1 事件检测算法评价指标 | 第55-56页 |
| 4.2 最小二乘支持向量机分类器 | 第56-60页 |
| 4.2.1 基本原理 | 第56-59页 |
| 4.2.2 核函数数与模型参数确定方法 | 第59-60页 |
| 4.3 粒子群优化方法 | 第60-61页 |
| 4.4 基于PSO-LSSVM的事件检测算法 | 第61-64页 |
| 4.5 基于改进AdaBoost集成PSO-LSSVM的事件检测算法 | 第64-68页 |
| 4.5.1 AdaBoost算法原理 | 第64-66页 |
| 4.5.2 基于改进AdaBoost集成PSO-LSSVM的事件检测算法 | 第66-68页 |
| 4.6 基于多分类PSO-LSSVM事件类型检测算法 | 第68-70页 |
| 4.6.1 基于LSSVM的多类分类 | 第68页 |
| 4.6.2 基于多分类PSO-LSSVM事件类型检测算法 | 第68-70页 |
| 4.7 本章小结 | 第70-71页 |
| 第五章 基于多源信息事件检测算法的实证研究 | 第71-83页 |
| 5.1 数据描述及预处理 | 第71-74页 |
| 5.2 算法模型的构建 | 第74-77页 |
| 5.2.1 基于PSO-LSSVM的事件检测模型 | 第74-75页 |
| 5.2.2 基于改进AdaBoost集成PSO-LSSVM的事件检测模型 | 第75-76页 |
| 5.2.3 基于多分类PSO-LSSVM的事件类型检测算法 | 第76-77页 |
| 5.3 算法性能评价 | 第77-80页 |
| 5.4 本章小结 | 第80-83页 |
| 第六章 总结与展望 | 第83-87页 |
| 6.1 研究结论 | 第83-84页 |
| 6.2 研究创新点 | 第84-85页 |
| 6.3 研究展望 | 第85-87页 |
| 参考文献 | 第87-93页 |
| 致谢 | 第93-95页 |
| 附录 | 第95-105页 |
| 作者简介 | 第105-106页 |
