| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 1 绪论 | 第9-15页 |
| 1.1 论文研究的背景、目的和意义 | 第9-10页 |
| 1.1.1 论文研究的背景 | 第9页 |
| 1.1.2 论文研究的目的和意义 | 第9-10页 |
| 1.2 最佳交通路径规划的研究现状 | 第10-12页 |
| 1.3 主要研究的内容 | 第12页 |
| 1.4 论文主要的创新点 | 第12-13页 |
| 1.5 论文的组织结构 | 第13-15页 |
| 2 贝叶斯网络理论基础 | 第15-23页 |
| 2.1 贝叶斯网络理论的起源与发展 | 第15页 |
| 2.2 贝叶斯网络的基础 | 第15-19页 |
| 2.2.1 贝叶斯公式 | 第15-16页 |
| 2.2.2 贝叶斯网络图模型 | 第16-18页 |
| 2.2.3 贝叶斯网络的研究内容 | 第18-19页 |
| 2.3 变结构DDBNs理论 | 第19-21页 |
| 2.3.1 概述 | 第19页 |
| 2.3.2 变结构DDBNs的定义 | 第19-20页 |
| 2.3.3 推理算法 | 第20-21页 |
| 2.4 本章小结 | 第21-23页 |
| 3 构建贝叶斯网络的最佳交通路径决策模型 | 第23-31页 |
| 3.1 影响最佳交通路径规划的因素分析 | 第23-25页 |
| 3.1.1 路径距离 | 第23页 |
| 3.1.2 费用 | 第23-24页 |
| 3.1.3 行程时间 | 第24页 |
| 3.1.4 路况信息 | 第24-25页 |
| 3.2 最短路径规划 | 第25-29页 |
| 3.2.1 静态最短路径搜索算法 | 第25-28页 |
| 3.2.2 动态最短路径决策 | 第28-29页 |
| 3.3 构建变结构DDBNs的最佳交通路径决策模型 | 第29-30页 |
| 3.4 本章小结 | 第30-31页 |
| 4 变结构DDBNs参数学习 | 第31-39页 |
| 4.1 最大似然估计参数学习 | 第31-32页 |
| 4.2 基于变结构DDBNs的路径决策的参数的自适应产生算法 | 第32-34页 |
| 4.3 各观测结果的隶属度函数 | 第34-37页 |
| 4.4 本章小结 | 第37-39页 |
| 5 变结构DDBNs的近似推理算法 | 第39-53页 |
| 5.1 变结构DDBNs的推理算法 | 第39-42页 |
| 5.2 单元化单隐变量变结构DDBNs推理算法 | 第42-47页 |
| 5.2.1 单隐变量变结构DDBNs | 第43页 |
| 5.2.2 单元的引入 | 第43-44页 |
| 5.2.3 算法的基本思想 | 第44-45页 |
| 5.2.4 算法的推导过程 | 第45-47页 |
| 5.2.5 算法的实现步骤 | 第47页 |
| 5.2.6 算法的复杂度分析 | 第47页 |
| 5.3 验证单元化单隐变量变结构DDBNs推理算法的正确性和高效性 | 第47-52页 |
| 5.4 本章小结 | 第52-53页 |
| 6 基于变结构DDBNs的最佳交通路径规划 | 第53-59页 |
| 7 总结与展望 | 第59-61页 |
| 7.1 论文总结 | 第59页 |
| 7.2 工作展望 | 第59-61页 |
| 参考文献 | 第61-67页 |
| 附录 | 第67-71页 |
| 攻读学位期间发表论文 | 第71-72页 |
| 致谢 | 第72页 |
