| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 目录 | 第7-9页 |
| 1 绪论 | 第9-16页 |
| 1.1 研究背景与意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-14页 |
| 1.2.1 交通预测的研究现状 | 第10-11页 |
| 1.2.2 路径规划的研究现状 | 第11-14页 |
| 1.3 论文主要内容 | 第14-15页 |
| 1.4 论文组织结构 | 第15-16页 |
| 2 模糊神经网络交通实时预测和路径规划问题分析 | 第16-31页 |
| 2.1 模糊神经网络预测技术研究 | 第16-23页 |
| 2.1.1 模糊推理系统和自适应网络架构 | 第16-21页 |
| 2.1.2 模糊神经网络预测机制研究 | 第21-22页 |
| 2.1.3 模糊神经网络应用于交通预测的难点和需求分析 | 第22-23页 |
| 2.2 路径规划机制研究 | 第23-28页 |
| 2.2.1 增强学习关键技术研究 | 第23-26页 |
| 2.2.2 基于增强学习的路径规划研究现状 | 第26-28页 |
| 2.2.3 基于Q学习的多路径规划的难点和需求分析 | 第28页 |
| 2.3 多路径规划机制的设计方案 | 第28-29页 |
| 2.4 本章小结 | 第29-31页 |
| 3 基于模糊神经网络模型的平均车速预测机制 | 第31-48页 |
| 3.1 城市路网基于模糊神经网络的平均车速预测模型 | 第31-37页 |
| 3.1.1 车速预测拟采用的T-S模糊神经网络框架 | 第31-33页 |
| 3.1.2 模糊神经网络应用于道路平均车速预测模型构建 | 第33-37页 |
| 3.2 基于Taguchi方法的模糊神经网络输入数据的配置方案 | 第37-41页 |
| 3.2.1 基于Taguchi方法的实验最优设计因素配置 | 第37-39页 |
| 3.2.2 Taguchi方法确定模糊神经网络的道路传感器的配置 | 第39-41页 |
| 3.3 算法仿真与结果分析 | 第41-47页 |
| 3.3.1 模糊神经网络平均车速度预测算法仿真 | 第41-45页 |
| 3.3.2 Taguchi方法用于道路传感器配置仿真分析 | 第45-47页 |
| 3.4 本章小结 | 第47-48页 |
| 4 基于Q学习的协同多路径规划机制 | 第48-61页 |
| 4.1 基于增强学习的路网建模 | 第48-50页 |
| 4.2 基于Q学习的协同多路径规划 | 第50-55页 |
| 4.2.1 基于Q学习的最优路径规划 | 第50-52页 |
| 4.2.2 基于Q学习的多路径规划 | 第52-53页 |
| 4.2.3 多智能体协作的Q学习多路径规划 | 第53-55页 |
| 4.3 算法仿真与结果分析 | 第55-60页 |
| 4.3.1 单智能体的多源多目标路径规划 | 第55-56页 |
| 4.3.2 多智能体的多源多目标路径规划 | 第56-57页 |
| 4.3.3 若干种多路径算法的比较 | 第57-60页 |
| 4.4 本章小结 | 第60-61页 |
| 5 总结与展望 | 第61-63页 |
| 5.1 总结 | 第61-62页 |
| 5.2 展望 | 第62-63页 |
| 参考文献 | 第63-69页 |
| 附录1 图索引 | 第69-70页 |
| 附录2 表索引 | 第70-71页 |
| 攻读学位期间主要的论文情况和科研情况 | 第71-72页 |
| 致谢 | 第72-73页 |
