| 摘要 | 第1-5页 |
| ABSTRACT | 第5-13页 |
| 第一章 绪论 | 第13-18页 |
| ·研究背景及意义 | 第13-16页 |
| ·道路识别 | 第14-15页 |
| ·交通灯状态估计 | 第15-16页 |
| ·研究内容 | 第16-17页 |
| ·本章小结 | 第17-18页 |
| 第二章 相关研究及技术介绍 | 第18-23页 |
| ·智能交通系统 | 第18-19页 |
| ·城市移动感知 | 第19页 |
| ·道路识别 | 第19-21页 |
| ·传统的道路网络构造 | 第19-20页 |
| ·基于探测车辆的道路识别 | 第20-21页 |
| ·交通灯状态估计 | 第21-22页 |
| ·交通灯状态最优化 | 第21页 |
| ·交通灯状态信息在车辆网络中的应用 | 第21-22页 |
| ·本章小结 | 第22-23页 |
| 第三章 基于探测车辆的城市移动感知系统框架 | 第23-28页 |
| ·系统模型 | 第23-24页 |
| ·探测车辆 GPS 轨迹数据特性分析 | 第24-27页 |
| ·出租车数目 | 第24-25页 |
| ·采样间隔 | 第25页 |
| ·地理位置的分辨率及误差 | 第25-27页 |
| ·车辆速度 | 第27页 |
| ·车辆朝向 | 第27页 |
| ·本章小结 | 第27-28页 |
| 第四章 基于聚类与B 样条曲线拟合的道路识别方法 | 第28-50页 |
| ·总体概况 | 第28-31页 |
| ·问题描述 | 第28-29页 |
| ·城市道路特性分析 | 第29-30页 |
| ·OpenStreetMap 的不精确性分析 | 第30-31页 |
| ·道路识别算法 | 第31-41页 |
| ·基本思想 | 第32-33页 |
| ·车辆GPS 轨迹剪枝 | 第33-35页 |
| ·车辆GPS 数据聚类 | 第35-39页 |
| ·B 样条曲线拟合生成道路 | 第39-41页 |
| ·实验及分析 | 第41-48页 |
| ·实验方案 | 第41-42页 |
| ·评测指标 | 第42-44页 |
| ·算法性能比较 | 第44-45页 |
| ·覆盖率分析 | 第45-46页 |
| ·误报率分析 | 第46-47页 |
| ·精确性分析 | 第47-48页 |
| ·本章小结 | 第48-50页 |
| 第五章 基于机器学习与最优化理论的交通灯状态估计方法 | 第50-70页 |
| ·问题描述及问题难点 | 第50-52页 |
| ·问题描述 | 第50-51页 |
| ·问题难点 | 第51-52页 |
| ·探测车辆与交通灯状态之间的联系 | 第52-55页 |
| ·交通灯状态对探测车辆运动的影响 | 第52-53页 |
| ·探测车辆GPS 数据对交通灯状态估计的意义 | 第53-55页 |
| ·交通灯状态估计 | 第55-63页 |
| ·瞬时交通灯状态估计 | 第55-56页 |
| ·交通灯连续状态估计 | 第56-57页 |
| ·基本算法 | 第57-62页 |
| ·增强算法 | 第62-63页 |
| ·实验及分析 | 第63-69页 |
| ·实验方案 | 第63-64页 |
| ·算法性能比较 | 第64-65页 |
| ·不同交通灯状态估计性能评估 | 第65-66页 |
| ·城市范围内的大规模交通灯状态估计 | 第66-68页 |
| ·时长T 对性能的影响 | 第68-69页 |
| ·本章小结 | 第69-70页 |
| 第六章 总结和展望 | 第70-72页 |
| ·本文总结 | 第70-71页 |
| ·未来展望 | 第71-72页 |
| 参考文献 | 第72-75页 |
| 致谢 | 第75-77页 |
| 攻读硕士学位期间已发表或录用的论文 | 第77-80页 |
| 附件 | 第80页 |