| 摘要 | 第1-6页 |
| Abstract | 第6-10页 |
| 第一章 绪论 | 第10-17页 |
| ·背景及意义 | 第10-12页 |
| ·短时交通预测现状及存在的问题 | 第12-15页 |
| ·研究内容 | 第15页 |
| ·论文结构组织 | 第15-17页 |
| 第二章 基于浮动车系统的交通信息采集技术 | 第17-22页 |
| ·动态交通信息平台 | 第17-18页 |
| ·浮动车数据采集与处理 | 第18-21页 |
| ·浮动车技术 | 第19-20页 |
| ·浮动车数据处理流程 | 第20-21页 |
| ·本章小结 | 第21-22页 |
| 第三章 车行速度数据探索性分析 | 第22-33页 |
| ·探索性数据分析 | 第22-23页 |
| ·实验数据 | 第23页 |
| ·基于浮动车车行速度模式分析 | 第23-26页 |
| ·交通模式探索性分析 | 第23-25页 |
| ·车行速度时序特征分析 | 第25-26页 |
| ·基于分位点的交通异常检测 | 第26-31页 |
| ·交通异常检测现状 | 第26-27页 |
| ·K-S正态性检验 | 第27-28页 |
| ·基于分位点的交通异常检测 | 第28-29页 |
| ·实例分析 | 第29-31页 |
| ·本章小结 | 第31-33页 |
| 第四章 基于多核混合支持向量机的城市短时交通预测模型 | 第33-43页 |
| ·统计学习理论 | 第33-34页 |
| ·经验风险最小化准则 | 第33-34页 |
| ·VC维 | 第34页 |
| ·结构风险最小化准则 | 第34页 |
| ·支持向量机 | 第34-36页 |
| ·核 | 第36页 |
| ·多核混合支持向量机(MSVM) | 第36-37页 |
| ·基于粒子群算法的SVM参数优化 | 第37-38页 |
| ·城市道路短时交通预测过程 | 第38-41页 |
| ·本章小结 | 第41-43页 |
| 第五章 MSVM-PSO短时交通预测实验与分析 | 第43-49页 |
| ·实验数据 | 第43-44页 |
| ·参数设置和优化 | 第44-45页 |
| ·结果和分析 | 第45-47页 |
| ·本章小结 | 第47-49页 |
| 第六章 总结和展望 | 第49-51页 |
| ·全文总结 | 第49页 |
| ·进一步研究工作 | 第49-51页 |
| 参考文献 | 第51-55页 |
| 致谢 | 第55-57页 |
| 攻读学位期间主要的研究成果 | 第57页 |