基于支持向量机的城市道路交通状态判别方法研究
| 摘要 | 第1-6页 |
| ABSTRACT | 第6-10页 |
| 第一章 绪论 | 第10-16页 |
| ·研究背景和研究意义 | 第10-11页 |
| ·国内外研究现状综述 | 第11-15页 |
| ·国内外交通信息采集系统的研究现状 | 第11-12页 |
| ·国内外道路交通状态自动判别方法的研究现状 | 第12-15页 |
| ·本课题研究的主要内容 | 第15页 |
| ·本文组织结构 | 第15-16页 |
| 第二章 机器学习和支持向量机 | 第16-30页 |
| ·机器学习问题 | 第16-20页 |
| ·学习问题的描述 | 第16-18页 |
| ·经验风险最小化 | 第18-19页 |
| ·复杂性和推广能力 | 第19-20页 |
| ·统计学习理论 | 第20-26页 |
| ·一致性概念和关键定理 | 第20-22页 |
| ·函数集的 VC 维 | 第22-23页 |
| ·结构风险最小化 | 第23-26页 |
| ·支持向量机及其应用 | 第26-29页 |
| ·本章小结 | 第29-30页 |
| 第三章 道路交通状态判别方法研究 | 第30-50页 |
| ·基本的交通流参数选取 | 第30-34页 |
| ·基本交通参数及相互关系 | 第30-32页 |
| ·基本交通参数的选取原则和选取因素分析 | 第32-34页 |
| ·道路交通状态分析 | 第34-37页 |
| ·道路交通拥挤分析 | 第34-37页 |
| ·我国城市交通关于交通拥挤的有关标准 | 第37页 |
| ·道路交通状态判别方法分类 | 第37-39页 |
| ·道路交通状态判别方法与应用的基本框架 | 第39-41页 |
| ·交通状态判别算法研究 | 第41-49页 |
| ·经典判别算法 | 第41-44页 |
| ·改进判别算法 | 第44-47页 |
| ·算法比较分析 | 第47-49页 |
| ·本章小结 | 第49-50页 |
| 第四章 基于聚类分析和支持向量机的交通状态判别 | 第50-60页 |
| ·聚类分析方法 | 第50-51页 |
| ·多类支持向量机方法 | 第51-52页 |
| ·实时交通状态评估模型 | 第52-53页 |
| ·仿真实验 | 第53-59页 |
| ·数据聚类的流程 | 第53-54页 |
| ·数据描述 | 第54页 |
| ·数据聚类 | 第54-56页 |
| ·多类支持向量机分类 | 第56-58页 |
| ·结果分析 | 第58-59页 |
| ·本章小结 | 第59-60页 |
| 第五章 交通流量预测和交通状态判别的应用 | 第60-66页 |
| ·交通状态指标分析 | 第60-62页 |
| ·道路通行能力 | 第60页 |
| ·道路服务水平 | 第60-62页 |
| ·交通拥挤判定 | 第62页 |
| ·交通状态判别系统设计 | 第62-65页 |
| ·总体设计 | 第62-64页 |
| ·数据库设计 | 第64-65页 |
| ·交通状态信息发布 | 第65页 |
| ·本章小结 | 第65-66页 |
| 总结与展望 | 第66-67页 |
| 参考文献 | 第67-70页 |
| 致谢 | 第70-71页 |
| 攻读学位期间发表的学术论文目录 | 第71-72页 |
