| 创新点 | 第5-10页 |
| 摘要 | 第10-12页 |
| Abstract | 第12-13页 |
| 第1章 绪论 | 第17-25页 |
| 1.1 研究背景与意义 | 第17-18页 |
| 1.2 存在的问题 | 第18-19页 |
| 1.3 研究目标、研究内容与技术路线 | 第19-22页 |
| 1.3.1 研究目标 | 第19-20页 |
| 1.3.2 研究内容 | 第20-21页 |
| 1.3.3 研究方法与技术路线 | 第21-22页 |
| 1.4 论文的组织结构 | 第22-24页 |
| 1.5 本章小结 | 第24-25页 |
| 第2章 交通数据采集技术和行程时间分布估计及预测研究综述 | 第25-34页 |
| 2.1 交通数据采集技术 | 第25-28页 |
| 2.1.1 静态检测技术 | 第25-27页 |
| 2.1.2 移动检测技术 | 第27-28页 |
| 2.2 城市道路网络中行程时间分布估计研究现状 | 第28-30页 |
| 2.2.1 基于静态或移动检测器数据的行程时间分布估计研究现状 | 第28-29页 |
| 2.2.2 基于多源数据融合的行程时间分布估计研究现状 | 第29-30页 |
| 2.3 城市道路网络中行程时间分布预测研究现状 | 第30-33页 |
| 2.3.1 基于单一模型的行程时间分布预测研究现状 | 第31-32页 |
| 2.3.2 基于组合模型的行程时间分布预测研究现状 | 第32-33页 |
| 2.4 本章小结 | 第33-34页 |
| 第3章 基于低频浮动车数据的行程时间分布估计方法 | 第34-47页 |
| 3.1 引言 | 第34页 |
| 3.2 问题陈述 | 第34-36页 |
| 3.3 路径行程时间估计 | 第36-40页 |
| 3.3.1 路段行程时间 | 第36页 |
| 3.3.2 路口延迟分布 | 第36-39页 |
| 3.3.2.1 类型Ⅰ的路口延迟估计 | 第37-38页 |
| 3.3.2.2 类型Ⅱ的路口延迟估计 | 第38-39页 |
| 3.3.2.3 不同转向运动的延迟分布 | 第39页 |
| 3.3.3 加权滑动平均 | 第39-40页 |
| 3.3.4 路径行程时间分布 | 第40页 |
| 3.4 实验结果与分析 | 第40-45页 |
| 3.4.1 研究区域概述 | 第40-41页 |
| 3.4.2 评价指标 | 第41-43页 |
| 3.4.3 均值估计结果分析 | 第43-44页 |
| 3.4.4 分布估计结果分析 | 第44-45页 |
| 3.5 本章小结 | 第45-47页 |
| 第4章 基于多源数据融合的行程时间分布估计方法 | 第47-67页 |
| 4.1 引言 | 第47页 |
| 4.2 D-S证据理论方法简介 | 第47-50页 |
| 4.2.1 概率分配函数 | 第48页 |
| 4.2.2 信任函数 | 第48页 |
| 4.2.3 似然函数 | 第48-49页 |
| 4.2.4 信任区间 | 第49页 |
| 4.2.5 组合规则 | 第49-50页 |
| 4.3 改进的D-S证据理论模型 | 第50-57页 |
| 4.3.1 问题陈述 | 第50-51页 |
| 4.3.2 数据预处理 | 第51-53页 |
| 4.3.3 分布融合估计 | 第53-57页 |
| 4.3.4 后验更新 | 第57页 |
| 4.4 实验结果与分析 | 第57-65页 |
| 4.4.1 研究区域概述 | 第57-58页 |
| 4.4.2 评价指标 | 第58-60页 |
| 4.4.3 点检测器和区间检测器的行程时间分布估计结果 | 第60-61页 |
| 4.4.4 多源数据融合的行程时间分布估计结果 | 第61页 |
| 4.4.5 动态更新的影响分析 | 第61-64页 |
| 4.4.6 不同分布融合方法的比较 | 第64-65页 |
| 4.5 本章小结 | 第65-67页 |
| 第5章 基于随机KNN模型的行程时间分布预测方法 | 第67-87页 |
| 5.1 引言 | 第67页 |
| 5.2 古典KNN算法简介 | 第67-70页 |
| 5.3 随机KNN模型 | 第70-76页 |
| 5.3.1 输入状态向量 | 第70-71页 |
| 5.3.2 相似性量度 | 第71-74页 |
| 5.3.3 最近邻搜索 | 第74页 |
| 5.3.4 预测模型 | 第74-75页 |
| 5.3.5 输出向量 | 第75-76页 |
| 5.4 实验结果与分析 | 第76-85页 |
| 5.4.1 研究路径及数据收集 | 第76-78页 |
| 5.4.2 评价指标 | 第78页 |
| 5.4.3 多时段预测结果 | 第78-81页 |
| 5.4.4 参数敏感度分析 | 第81-85页 |
| 5.4.4.1 最近邻个数的敏感度分析 | 第81-82页 |
| 5.4.4.2 预测采用的时间间隔个数的影响分析 | 第82-83页 |
| 5.4.4.3 相似性量度的影响分析 | 第83-84页 |
| 5.4.4.4 预测分布类别 | 第84-85页 |
| 5.5 本章小结 | 第85-87页 |
| 第6章 基于D-S证据理论组合模型的行程时间分布预测方法 | 第87-101页 |
| 6.1 引言 | 第87页 |
| 6.2 组合预测模型选取 | 第87-90页 |
| 6.2.1 加权移动平均法—M1 | 第88页 |
| 6.2.2 指数平滑法—M2 | 第88-89页 |
| 6.2.3 KNN方法—M3 | 第89-90页 |
| 6.3 基于D-S证据理论的组合模型—M4 | 第90-94页 |
| 6.3.1 分布融合组合方法 | 第90-92页 |
| 6.3.2 数值算例 | 第92-94页 |
| 6.4 实验结果与分析 | 第94-100页 |
| 6.4.1 数据来源 | 第94-95页 |
| 6.4.2 评价指标 | 第95-96页 |
| 6.4.3 组合预测模型的结果与分析 | 第96-98页 |
| 6.4.4 预测子模型与组合模型的比较与分析 | 第98-100页 |
| 6.5 本章小结 | 第100-101页 |
| 第7章 总结与展望 | 第101-105页 |
| 7.1 本文主要研究内容总结 | 第101-102页 |
| 7.2 本文主要创新点 | 第102-104页 |
| 7.3 后续研究与展望 | 第104-105页 |
| 参考文献 | 第105-113页 |
| 攻读博士学位期间的研究成果和参与项目 | 第113-115页 |
| 致谢 | 第115-116页 |
