| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 1 绪论 | 第10-17页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-14页 |
| 1.2.1 交叉口短时交通流的影响因素 | 第11页 |
| 1.2.2 有检测器交叉口短时交通流预测 | 第11-13页 |
| 1.2.3 无检测器交叉口短时交通流预测 | 第13-14页 |
| 1.3 研究内容及方法 | 第14-15页 |
| 1.4 研究的总体结构和框架 | 第15-17页 |
| 2 短时交通流的采集处理、特性及预测 | 第17-32页 |
| 2.1 城市道路交通流数据的采集与处理 | 第17-19页 |
| 2.1.1 短时交通流数据的采集 | 第17-18页 |
| 2.1.2 短时交通流数据的预处理 | 第18-19页 |
| 2.2 短时交通流的特性 | 第19-28页 |
| 2.2.1 交通流的基本特性 | 第19-20页 |
| 2.2.2 短时交通流的可预测性及混沌性分析 | 第20-24页 |
| 2.2.3 城市区域路网短时交通流的时空依赖性分析 | 第24-28页 |
| 2.3 基于多维时空参数的短时交通流预测模型 | 第28-31页 |
| 2.3.1 短时交通流预测的原理 | 第28-29页 |
| 2.3.2 基于多维时空参数的短时交通流预测模型及框架 | 第29-30页 |
| 2.3.3 短时交通流预测性能评价指标 | 第30-31页 |
| 2.4 本章小结 | 第31-32页 |
| 3 有检测器交叉口基于时空关联组合模型的短时流量预测 | 第32-47页 |
| 3.1 组合模型的设计依据与算法思想 | 第32-33页 |
| 3.1.1 组合模型的设计依据 | 第32页 |
| 3.1.2 组合模型的算法思想 | 第32-33页 |
| 3.2 单项预测模块 | 第33-37页 |
| 3.2.1 历史平均(HA)模块 | 第33-34页 |
| 3.2.2 卡尔曼滤波(Klaman)模块 | 第34-35页 |
| 3.2.3 小波神经网络模块 | 第35-37页 |
| 3.3 基于时空关联状态下交叉口短时交通流的组合模型与算法 | 第37-40页 |
| 3.3.1 基于时空关联状态组合预测模型的设计 | 第37-38页 |
| 3.3.2 基于反馈机制的德尔塔权重的确定 | 第38页 |
| 3.3.3 基于时空关联状态组合模型算法步骤 | 第38-40页 |
| 3.4 实例验证 | 第40-45页 |
| 3.4.1 问题描述 | 第40-41页 |
| 3.4.2 结果及比较 | 第41-45页 |
| 3.5 本章小结 | 第45-47页 |
| 4 无检测器交叉口基于 PNN 分类模式短时流量的预测 | 第47-64页 |
| 4.1 基于 PNN 概率神经网络交叉口归类识别模式 | 第47-52页 |
| 4.1.1 无检测器交叉口交通流量预测思路 | 第47页 |
| 4.1.2 无检测器交叉口归类的一般方法 | 第47-49页 |
| 4.1.3 无检测器交叉口预测的一般方法 | 第49-52页 |
| 4.2 基于 PNN 模式分类无检测器交叉口短时交通流预测模型与算法 | 第52-57页 |
| 4.2.1 基于 PNN 概率神经网络的交叉口分类模式预测 | 第52-54页 |
| 4.2.2 PNN 线性、PNN-BP 非线性、PNN-GA-BP 非线性算法步骤 | 第54-57页 |
| 4.3 实例验证 | 第57-62页 |
| 4.3.1 问题描述 | 第57-58页 |
| 4.3.2 结果 | 第58-62页 |
| 4.4 本章小结 | 第62-64页 |
| 总结与展望 | 第64-66页 |
| (1) 总结 | 第64-65页 |
| (2) 展望 | 第65-66页 |
| 致谢 | 第66-67页 |
| 参考文献 | 第67-70页 |
| 附录 A 各交叉口的部分交通流量数据 | 第70-75页 |
| 攻读学位期间的学术成果 | 第75页 |
