| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 1 绪论 | 第9-13页 |
| 1.1 研究背景及意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-11页 |
| 1.2.1 国外研究现状 | 第10页 |
| 1.2.2 国内研究现状 | 第10-11页 |
| 1.3 论文主要内容和组织结构 | 第11-13页 |
| 2 智能交通分布式动态路径诱导系统分析与设计 | 第13-21页 |
| 2.1 智能交通系统 | 第13-14页 |
| 2.1.1 智能交通系统定义 | 第13页 |
| 2.1.2 智能交通系统框架结构 | 第13-14页 |
| 2.2 智能交通分布式路径诱导系统的功能分析和结构设计 | 第14-17页 |
| 2.2.1 分布式动态路径诱导系统概述 | 第14-15页 |
| 2.2.2 分布式动态路径诱导系统功能需求 | 第15-16页 |
| 2.2.3 分布式动态路径诱导系统框架设计 | 第16-17页 |
| 2.3 智能交通分布式动态路径诱导系统主要研究内容 | 第17-20页 |
| 2.3.1 短时交通流预测方法研究 | 第17-19页 |
| 2.3.2 分布式动态路径诱导系统路径优化方法研究 | 第19-20页 |
| 2.4 本章小结 | 第20-21页 |
| 3 短时交通流组合预测方法研究 | 第21-39页 |
| 3.1 短时交通流问题研究 | 第21-22页 |
| 3.1.1 短时交通流基本特性分析 | 第21-22页 |
| 3.1.2 短时交通流特征参数 | 第22页 |
| 3.2 基于改进的K近邻非参数回归的交通流预测 | 第22-30页 |
| 3.2.1 K近邻非参数回归预测方法 | 第24-25页 |
| 3.2.2 改进的K近邻非参数回归预测方法 | 第25-27页 |
| 3.2.3 实验分析 | 第27-30页 |
| 3.3 基于小波分析的神经网络预测方法研究 | 第30-36页 |
| 3.3.1 小波分析理论 | 第30-31页 |
| 3.3.2 神经网络预测描述 | 第31页 |
| 3.3.3 小波神经网络 | 第31-33页 |
| 3.3.4 参数设定 | 第33-35页 |
| 3.3.5 实验分析 | 第35-36页 |
| 3.4 基于改进的K近邻非参数回归-小波神经网络的加权组合预测方法 | 第36-38页 |
| 3.4.1 加权组合预测方法描述 | 第36-37页 |
| 3.4.2 实验分析 | 第37-38页 |
| 3.5 本章小结 | 第38-39页 |
| 4 分布式动态路径诱导系统路径优化方法研究 | 第39-62页 |
| 4.1 路段行程时间换算和交叉口转向延误分析 | 第39-41页 |
| 4.1.1 路段行程时间换算 | 第39-40页 |
| 4.1.2.交叉口转向延误分析 | 第40-41页 |
| 4.2 机动车排放算法 | 第41-46页 |
| 4.2.1 机动车排放算法概述 | 第41-42页 |
| 4.2.2 机动车排放算法模型 | 第42-44页 |
| 4.2.3 机动车排放计算方法 | 第44-46页 |
| 4.3 构建基于行程时间和机动车排放的双目标路径优化模型 | 第46-49页 |
| 4.3.1 双目标路径诱导问题描述 | 第46-48页 |
| 4.3.2 建立双目标路径诱导模型 | 第48-49页 |
| 4.4 交互式双目标优化算法设计 | 第49-55页 |
| 4.4.1 交通路网描述 | 第49-50页 |
| 4.4.2 改进的Dijkstra算法 | 第50-54页 |
| 4.4.3 交互式双目标优化算法分析 | 第54-55页 |
| 4.5 算例分析 | 第55-61页 |
| 4.6 本章小结 | 第61-62页 |
| 5 总结与展望 | 第62-64页 |
| 5.1 论文总结 | 第62页 |
| 5.2 研究展望 | 第62-64页 |
| 致谢 | 第64-65页 |
| 参考文献 | 第65-68页 |
| 攻读学位期间的研究成果 | 第68页 |
