基于数据智能方法的实时路网导航关键技术研究
| 摘要 | 第5-6页 |
| abstract | 第6页 |
| 第1章 绪论 | 第13-20页 |
| 1.1 研究背景及其意义 | 第13-15页 |
| 1.2 短时交通流预测研究现状 | 第15-17页 |
| 1.2.1 短时交通流预测的特点和流程 | 第15-16页 |
| 1.2.2 国内外研究综述 | 第16-17页 |
| 1.3 研究目标及内容 | 第17-18页 |
| 1.4 论文组织结构 | 第18-20页 |
| 第2章 交通流预测基本理论 | 第20-31页 |
| 2.1 交通流基本特征参数 | 第20页 |
| 2.2 交通流数据选取和预处理 | 第20-22页 |
| 2.3 现有模型研究 | 第22-30页 |
| 2.3.1 BP神经网络交通流预测模型 | 第22-26页 |
| 2.3.2 差分自回归移动平均预测模型 | 第26-28页 |
| 2.3.3 现有模型优缺点 | 第28-30页 |
| 2.4 本章小结 | 第30-31页 |
| 第3章 基于支持向量回归的交通流预测模型 | 第31-39页 |
| 3.1 统计学习理论 | 第31-32页 |
| 3.2 支持向量回归理论 | 第32-34页 |
| 3.3 基于SVR的交通流预测模型 | 第34-35页 |
| 3.4 SVR预测模型参数 | 第35-37页 |
| 3.4.1 参数对SVR影响 | 第35-36页 |
| 3.4.2 参数选择研究现状 | 第36页 |
| 3.4.3 参数优劣判别 | 第36-37页 |
| 3.5 本章小结 | 第37-39页 |
| 第4章 SVR参数优化算法研究 | 第39-54页 |
| 4.1 粒子群优化算法 | 第39-43页 |
| 4.1.1 群体智能基础 | 第39页 |
| 4.1.2 粒子群算法 | 第39-41页 |
| 4.1.3 PSO-SVR模型流程 | 第41-43页 |
| 4.1.4 粒子群优化算法优缺点 | 第43页 |
| 4.2 遗传优化算法 | 第43-48页 |
| 4.2.1 遗传算法理论基础 | 第43页 |
| 4.2.2 遗传算法 | 第43-46页 |
| 4.2.3 GA-SVR模型流程 | 第46-47页 |
| 4.2.4 遗传优化算法优缺点 | 第47-48页 |
| 4.3 遗传粒子群混合优化算法 | 第48-52页 |
| 4.3.1 GAPSO算法 | 第48-51页 |
| 4.3.2 GAPSO-SVR模型流程 | 第51-52页 |
| 4.4 本章小结 | 第52-54页 |
| 第5章 基于城市路网的交通流预测 | 第54-75页 |
| 5.1 系统架构 | 第54-55页 |
| 5.2 实验平台搭建 | 第55-62页 |
| 5.2.1 SUMO模拟器 | 第55-57页 |
| 5.2.2 交通流数据集 | 第57页 |
| 5.2.3 数据库设计 | 第57-62页 |
| 5.3 交通流预测 | 第62-70页 |
| 5.3.1 神经网络交通流预测 | 第63-65页 |
| 5.3.2 时间序列交通流预测 | 第65-66页 |
| 5.3.3 基于PSO-SVR交通流预测 | 第66-67页 |
| 5.3.4 基于GA-SVR交通流预测 | 第67-68页 |
| 5.3.5 基于GAPSO-SVR交通流预测 | 第68-70页 |
| 5.4 实验结果评估总结 | 第70-74页 |
| 5.5 本章小结 | 第74-75页 |
| 第6章 总结与展望 | 第75-77页 |
| 6.1 研究成果和主要结论 | 第75页 |
| 6.2 进一步的研究与展望 | 第75-77页 |
| 参考文献 | 第77-80页 |
| 致谢 | 第80页 |
