基于云模型的城市快速路交通状态识别方法研究
| 摘要 | 第6-7页 |
| Abtt | 第7-8页 |
| 第1章 绪论 | 第12-23页 |
| 1.1 研究背景与意义 | 第12-13页 |
| 1.1.1 研究背景 | 第12-13页 |
| 1.1.2 研究意义 | 第13页 |
| 1.2 国内外研究现状 | 第13-20页 |
| 1.2.1 交通流运动机理 | 第13-15页 |
| 1.2.2 交通状态识别 | 第15-17页 |
| 1.2.3 交通流信息融合 | 第17-18页 |
| 1.2.4 云模型的应用 | 第18-20页 |
| 1.3 研究目标与内容 | 第20-21页 |
| 1.3.1 研究目标 | 第20页 |
| 1.3.2 研究内容 | 第20-21页 |
| 1.4 技术路线 | 第21-23页 |
| 第2章 城市快速路交通流状态评价指标体系 | 第23-33页 |
| 2.1 交通状态的定义 | 第23-24页 |
| 2.2 快速路功能定位分析 | 第24-25页 |
| 2.2.1 快速路的定义 | 第24-25页 |
| 2.2.2 快速路系统的功能定位 | 第25页 |
| 2.3 快速路交通流特征分析 | 第25-26页 |
| 2.4 快速路交通状态评价指标体系 | 第26-32页 |
| 2.4.1 交通状态评价指标选取原则 | 第26-27页 |
| 2.4.2 交通状态评价指标种类 | 第27-31页 |
| 2.4.3 快速路交通状态评价指标的选取 | 第31-32页 |
| 2.5 本章小结 | 第32-33页 |
| 第3章 快速路交通流数据采集及预处理技术 | 第33-47页 |
| 3.1 交通流数据采集技术分析 | 第33-35页 |
| 3.1.1 固定采集技术 | 第34页 |
| 3.1.2 移动采集技术 | 第34-35页 |
| 3.2 交通流数据预处理 | 第35-44页 |
| 3.2.1 数据来源 | 第36-39页 |
| 3.2.2 错误数据的识别及处理 | 第39-40页 |
| 3.2.3 丢失数据的识别及处理 | 第40-41页 |
| 3.2.4 交通流数据的合并 | 第41-43页 |
| 3.2.5 算例分析 | 第43-44页 |
| 3.3 快速路交通流参数特性分析 | 第44-46页 |
| 3.4 本章小结 | 第46-47页 |
| 第4章 基于云模型的城市快速路交通状态识别方法 | 第47-59页 |
| 4.1 云模型的基本理论 | 第47-51页 |
| 4.1.1 云模型参数 | 第47-49页 |
| 4.1.2 云发生器 | 第49-50页 |
| 4.1.3 正态云模型的普适性 | 第50-51页 |
| 4.2 基于云模型的快速路交通状态识别 | 第51-58页 |
| 4.2.1 云模型建模参数处理 | 第51-53页 |
| 4.2.2 改进模版云的建立 | 第53-56页 |
| 4.2.3 确定初始隶属度矩阵 | 第56页 |
| 4.2.4 基于信息熵的指标权重确定 | 第56-57页 |
| 4.2.5 结果输出 | 第57-58页 |
| 4.3 本章小结 | 第58-59页 |
| 第5章 案例分析 | 第59-68页 |
| 5.1 数据描述 | 第59-60页 |
| 5.2 城市快速路交通状态识别流程 | 第60-61页 |
| 5.3 K-MEANS聚类分析 | 第61-63页 |
| 5.4 快速路交通状态识别 | 第63-65页 |
| 5.5 识别效果分析 | 第65-67页 |
| 5.6 本章小结 | 第67-68页 |
| 结论与展望 | 第68-70页 |
| 结论 | 第68-69页 |
| 展望 | 第69-70页 |
| 致谢 | 第70-71页 |
| 参考文献 | 第71-76页 |
| 攻读硕士学位期间发表的论文 | 第76页 |
