| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7页 |
| 1 绪论 | 第11-19页 |
| 1.1 研究背景及意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-15页 |
| 1.3 研究内容及技术路线 | 第15-17页 |
| 1.3.1 主要研究内容 | 第15-16页 |
| 1.3.2 论文结构框架 | 第16-17页 |
| 1.4 本章小结 | 第17-19页 |
| 2 动态交通流采集与特性分析 | 第19-35页 |
| 2.1 交通流数据采集方式 | 第19-24页 |
| 2.1.1 浮动车数据采集技术 | 第19-21页 |
| 2.1.2 微波采集技术 | 第21-23页 |
| 2.1.3 视频检测器 | 第23-24页 |
| 2.2 交通流原始数据属性分析 | 第24-27页 |
| 2.3 城市快速路交通流特性分析 | 第27-33页 |
| 2.3.1 交通流时间特性分析 | 第27-30页 |
| 2.3.2 交通流空间特性分析 | 第30-31页 |
| 2.3.3 交通流时空估计模型 | 第31-33页 |
| 2.4 本章小结 | 第33-35页 |
| 3 数据融合理论 | 第35-43页 |
| 3.1 数据融合概述 | 第35页 |
| 3.1.1 数据融合基本原理 | 第35页 |
| 3.1.2 数据融合定义 | 第35页 |
| 3.2 数据融合结构 | 第35-37页 |
| 3.3 数据融合方法 | 第37-41页 |
| 3.3.1 Kalman滤波法 | 第37页 |
| 3.3.2 Bayes推理 | 第37-38页 |
| 3.3.3 DS证据理论 | 第38-39页 |
| 3.3.4 模糊逻辑理论 | 第39-40页 |
| 3.3.5 BP神经网络 | 第40-41页 |
| 3.4 本章小节 | 第41-43页 |
| 4 研究范围选取和数据处理分析 | 第43-63页 |
| 4.1 研究范围 | 第43页 |
| 4.2 交通流异常数据识别 | 第43-50页 |
| 4.2.1 时间点漂移数据识别 | 第43-44页 |
| 4.2.2 缺失数据识别 | 第44-46页 |
| 4.2.3 错误数据识别 | 第46-50页 |
| 4.3 交通流异常数据修复 | 第50-56页 |
| 4.3.1 时间点规则化 | 第50-51页 |
| 4.3.2 缺失数据的修正 | 第51-55页 |
| 4.3.3 冗余数据的约简 | 第55页 |
| 4.3.4 错误数据的修正 | 第55-56页 |
| 4.4 卡尔曼滤波噪声处理 | 第56页 |
| 4.5 数据预处理示例 | 第56-61页 |
| 4.6 本章小结 | 第61-63页 |
| 5 基于城市快速路多源检测器的数据融合方法 | 第63-85页 |
| 5.1 基于小波神经网络的融合方法 | 第63-73页 |
| 5.1.1 神经网络概述 | 第63-64页 |
| 5.1.2 小波分析理论 | 第64-65页 |
| 5.1.3 小波神经网络基础 | 第65-68页 |
| 5.1.4 小波神经网络融合模型 | 第68-69页 |
| 5.1.5 融合仿真实现 | 第69-73页 |
| 5.2 基于自适应变异粒子群优化小波神经网络的融合方法 | 第73-79页 |
| 5.2.1 粒子群优化算法概述 | 第73-75页 |
| 5.2.2 PSO算法的改进 | 第75-76页 |
| 5.2.3 自适应变异粒子群优化小波神经网络融合模型 | 第76-77页 |
| 5.2.4 融合仿真实现 | 第77-79页 |
| 5.3 融合模型评价 | 第79-83页 |
| 5.4 本章小结 | 第83-85页 |
| 6 结论和展望 | 第85-87页 |
| 6.1 主要结论 | 第85页 |
| 6.2 研究展望和建议 | 第85-87页 |
| 参考文献 | 第87-91页 |
| 附录 | 第91-97页 |
| 作者简历及攻读硕士学位期间取得的研究成果 | 第97-101页 |
| 学位论文数据集 | 第101页 |