摘要 | 第4-5页 |
Abstract | 第5-6页 |
第一章 . 绪论 | 第11-19页 |
1.1. 研究背景 | 第11-12页 |
1.2. 研究的目标及意义 | 第12-13页 |
1.3. 相关领域国内外研究现状 | 第13-17页 |
1.3.1. 数据挖掘技术研究现状 | 第13-14页 |
1.3.2. 短时交通流预测技术研究现状 | 第14-16页 |
1.3.3. 联网收费数据挖掘研究现状 | 第16-17页 |
1.4. 论文内容及结构 | 第17-18页 |
1.5. 本章小结 | 第18-19页 |
第二章 . 基于路网交通结构分布的起讫数据挖掘理论基础 | 第19-25页 |
2.1. 数据仓库技术 | 第19-20页 |
2.1.1. 数据仓库技术概述 | 第19页 |
2.1.2. 数据仓库的特点 | 第19-20页 |
2.2. 数据挖掘技术 | 第20-22页 |
2.2.1. 数据挖掘概述 | 第20-21页 |
2.2.2. 数据挖掘预处理 | 第21-22页 |
2.2.3. 数据挖掘技术的发展 | 第22页 |
2.3. 高速公路联网收费系统 | 第22-23页 |
2.3.1. 高速公路联网收费系统概述 | 第22页 |
2.3.2. 高速公路联网收费系统的数据构成 | 第22-23页 |
2.4. 联网收费数据挖掘在高速公路营运管理中的应用 | 第23-24页 |
2.4.1. 预测 | 第23-24页 |
2.4.2. 聚类分析 | 第24页 |
2.4.3. 相关分析 | 第24页 |
2.5. 本章小结 | 第24-25页 |
第三章 . 基于路网交通结构分布的起讫数据挖掘系统设计 | 第25-29页 |
3.1. 总体设计原则 | 第25页 |
3.1.1. 前瞻性 | 第25页 |
3.1.2. 可靠性 | 第25页 |
3.1.3. 安全性 | 第25页 |
3.2. 数据预处理 | 第25-26页 |
3.3. 数据仓库的建立 | 第26页 |
3.4. 功能目标 | 第26-28页 |
3.4.1. 多维数据分析 | 第26-27页 |
3.4.2. 短时断面交通量预测 | 第27页 |
3.4.3. 断面交通量关联规则 | 第27-28页 |
3.5. 本章小结 | 第28-29页 |
第四章 . 短时断面交通量预测 | 第29-38页 |
4.1. 基于 BP 神经网络的基本原理 | 第29-30页 |
4.2. BP 网络结构和学习算法 | 第30-32页 |
4.3. BP 神经网络预测模型的实现 | 第32-34页 |
4.3.1. 实现步骤 | 第32-33页 |
4.3.2. 模型参数选择 | 第33-34页 |
4.4. 实际路段短时断面交通量预测示例 | 第34-36页 |
4.4.1. 模型拓扑结构 | 第34页 |
4.4.2. 基于 BP 网络的断面交通量曲线预测 | 第34-35页 |
4.4.3. 短时断面交通量预测 | 第35-36页 |
4.5. BP 神经网络的优点和不足 | 第36页 |
4.6. 本章小结 | 第36-38页 |
第五章 . 联网收费数据挖掘的业务应用示例 | 第38-57页 |
5.1. 基于不同时段断面交通量预测的交通高峰期判断 | 第39-40页 |
5.2. 路线、路段的交通量曲线预测 | 第40-41页 |
5.3. 路网断面交通量的相关性 | 第41页 |
5.4. 基于路网交通分布结构的区域经济相关性 | 第41-42页 |
5.5. 路网多维数据分析 | 第42-45页 |
5.5.1. 车辆维度分析 | 第43-44页 |
5.5.2. 空间维度分析 | 第44-45页 |
5.5.3. 时间维度分析 | 第45页 |
5.6. 交通量构成结构稳定性分析 | 第45-54页 |
5.6.1. 省域内典型收费站选取 | 第46-47页 |
5.6.2. 省域内典型收费站周交通量车型构成的稳定性 | 第47-48页 |
5.6.3. 基于车辆来源的收费站周交通量车型构成结构 | 第48-54页 |
5.7. 交通分布结构与区域经济的关联规则 | 第54-55页 |
5.8. 本章小结 | 第55-57页 |
第六章 . 结论和展望 | 第57-59页 |
6.1. 论文的研究工作和取得的成果 | 第57-58页 |
6.2. 后续研究工作展望 | 第58-59页 |
参考文献 | 第59-61页 |
攻读学位期间取得的研究成果 | 第61-62页 |
致谢 | 第62页 |