城市路网交通预测模型研究及应用
| 摘要 | 第1-6页 |
| ABSTRACT | 第6-12页 |
| 第一章 绪论 | 第12-35页 |
| ·课题背景及意义 | 第12-13页 |
| ·智能交通系统（ITS） | 第13-16页 |
| ·国内外研究现状 | 第16-31页 |
| ·基本交通预测模型 | 第19-29页 |
| ·组合交通预测模型 | 第29-30页 |
| ·国内外研究小结 | 第30-31页 |
| ·本论文主要工作与创新 | 第31-33页 |
| ·论文结构 | 第33-35页 |
| 第二章 交通状态参数与实验数据来源 | 第35-49页 |
| ·交通状态信息特征参数 | 第35-38页 |
| ·行程时间 | 第36页 |
| ·交通流量 | 第36-37页 |
| ·车辆速度 | 第37-38页 |
| ·交通数据不完备的描述 | 第38-39页 |
| ·实验数据来源 | 第39-48页 |
| ·行程时间指数数据源 | 第39-44页 |
| ·交通流量数据源 | 第44-48页 |
| ·本章小结 | 第48-49页 |
| 第三章 基本预测模型研究 | 第49-76页 |
| ·卡尔曼预测模型 | 第49-52页 |
| ·Kalman 滤波理论 | 第49-50页 |
| ·基于 Kalman 滤波的道路状态预测原理 | 第50-52页 |
| ·自回归移动平均模型 | 第52-56页 |
| ·建模变量的选取 | 第52-53页 |
| ·ARMA(p, q)模型的定义 | 第53-56页 |
| ·历史/空间平均模型 | 第56-57页 |
| ·线性最小二乘回归模型 | 第57-59页 |
| ·径向基函数神经网络 | 第59-62页 |
| ·支持向量机模型 | 第62-69页 |
| ·统计学习理论的核心问题 | 第63-64页 |
| ·支持向量回归算法及模型 | 第64-66页 |
| ·最小二乘支持向量回归算法及模型 | 第66-69页 |
| ·非线性复杂系统的 T-S 模糊预测模型 | 第69-72页 |
| ·交通状态空时分析方法 | 第72-75页 |
| ·状态空间 | 第72-74页 |
| ·自相关函数 | 第74页 |
| ·皮尔森相关系数 | 第74-75页 |
| ·本章小结 | 第75-76页 |
| 第四章 组合预测模型研究 | 第76-88页 |
| ·变权重线性组合模型 | 第76-81页 |
| ·等权值预测法 | 第77-78页 |
| ·最优权值预测法 | 第78-79页 |
| ·最小绝对误差法 | 第79-80页 |
| ·最小方差法 | 第80-81页 |
| ·基于交互式多模型的组合预测 | 第81-87页 |
| ·离散时间线性系统状态估计问题的一般描述 | 第82-83页 |
| ·混合系统状态估计理论 | 第83-87页 |
| ·本章小结 | 第87-88页 |
| 第五章 高速路网行程时间指数数据的预测实验 | 第88-123页 |
| ·基本预测模型研究 | 第91-107页 |
| ·线性组合预测模型研究 | 第107-117页 |
| ·基于 IMM 的组合预测研究 | 第117-121页 |
| ·高速路网预测实验结论 | 第121-122页 |
| ·本章小结 | 第122-123页 |
| 第六章 城市主干道路网交通流量数据的预测实验 | 第123-154页 |
| ·基本预测模型研究 | 第127-135页 |
| ·线性组合预测模型研究 | 第135-145页 |
| ·基于 IMM 的组合预测研究 | 第145-151页 |
| ·城市主干道路网预测实验结论 | 第151-153页 |
| ·本章小结 | 第153-154页 |
| 第七章 结论与展望 | 第154-157页 |
| 参考文献 | 第157-172页 |
| 攻读博士学位期间完成的论文 | 第172-174页 |
| 攻读博士学位期间参加的项目 | 第174-175页 |
| 致谢 | 第175-178页 |
| 附件 | 第178页 |
