| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第10-19页 |
| 1.1 研究背景 | 第10-11页 |
| 1.1.1 交通大数据及其融合分析 | 第10页 |
| 1.1.2 智能交通系统对交通参数数据的迫切需求 | 第10-11页 |
| 1.2 研究目的及意义 | 第11-12页 |
| 1.3 国内外研究现状 | 第12-17页 |
| 1.3.1 浮动车数据应用与研究现状 | 第12-15页 |
| 1.3.2 道路车速相关研究现状 | 第15-17页 |
| 1.4 研究内容 | 第17-19页 |
| 第二章 浮动车数据采集及分析方法 | 第19-32页 |
| 2.1 基于GPS/GIS的浮动车数据采集 | 第19-20页 |
| 2.2 数据处理与分析 | 第20-28页 |
| 2.2.1 数据影响因素分析 | 第20-22页 |
| 2.2.2 数据筛选和计算 | 第22-24页 |
| 2.2.3 数据缺失值填补 | 第24-28页 |
| 2.3 实例分析 | 第28-31页 |
| 2.4 本章小结 | 第31-32页 |
| 第三章 基于小波-ARIMA的浮动车车速预测 | 第32-44页 |
| 3.1 浮动车数据的小波变换 | 第32-36页 |
| 3.1.1 小波域阈值去噪法 | 第33页 |
| 3.1.2 平移不变小波变换 | 第33-35页 |
| 3.1.3 相邻尺度积系数滤波法 | 第35-36页 |
| 3.2 基于小波-ARIMA的浮动车车速预测 | 第36-39页 |
| 3.2.1 ARIMA建立 | 第36-37页 |
| 3.2.2 最优化时间间隔计算方法 | 第37-39页 |
| 3.3 实例分析 | 第39-43页 |
| 3.3.1 原始浮动车时间序列 | 第39-40页 |
| 3.3.2 ARIMA模型预测结果 | 第40-42页 |
| 3.3.3 小波-ARIMA模型预测结果 | 第42-43页 |
| 3.4 本章小结 | 第43-44页 |
| 第四章 混合交通流的车速相关性研究 | 第44-69页 |
| 4.1 调查路段选取 | 第44-45页 |
| 4.2 混合交通流全车型运行规律分析 | 第45-47页 |
| 4.3 全车型运行车速相关性研究 | 第47-58页 |
| 4.3.1 道路运行车速与道路服务水平方差分析 | 第49-51页 |
| 4.3.2 基于公交车运行车速的全车型运行车速回归分析 | 第51-58页 |
| 4.4 基于FCM-RBF神经网络的道路运行车速建模 | 第58-61页 |
| 4.4.1 径向基函数神经网络简介 | 第58-60页 |
| 4.4.2 基于FCM优化的RBF神经网络 | 第60-61页 |
| 4.5 道路运行车速动态预测实例分析 | 第61-68页 |
| 4.5.1 完全数据条件下的动态预测 | 第61-62页 |
| 4.5.2 缺失数据条件下的动态预测 | 第62-66页 |
| 4.5.3 实例分析 | 第66-68页 |
| 4.6 本章小结 | 第68-69页 |
| 第五章 结论与展望 | 第69-71页 |
| 5.1 结论 | 第69页 |
| 5.2 展望 | 第69-71页 |
| 致谢 | 第71-72页 |
| 参考文献 | 第72-75页 |
| 附录A | 第75-87页 |
| 附录B | 第87-94页 |
| 攻读学位期间取得的研究成果 | 第94页 |