| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 目录 | 第7-9页 |
| 1. 绪论 | 第9-18页 |
| 1.1 研究背景和意义 | 第9-11页 |
| 1.2 国内外研究现状 | 第11-16页 |
| 1.2.1 VANET中交通数据收集 | 第11-13页 |
| 1.2.2 信号配时优化 | 第13-16页 |
| 1.3 论文主要内容 | 第16-17页 |
| 1.4 论文组织结构 | 第17-18页 |
| 2. VANET中数据收集和信号配时优化问题分析 | 第18-30页 |
| 2.1 车载自组织网络通信模式 | 第18-20页 |
| 2.2 VANET中的分簇数据收集技术研究 | 第20-23页 |
| 2.2.1 VANET中分簇的特点与作用 | 第20-21页 |
| 2.2.2 稳定网络拓扑的分簇技术分析 | 第21-22页 |
| 2.2.3 VANET中分簇数据传输技术的设计难点和需求 | 第22-23页 |
| 2.3 增强学习算法在信号配时优化中的研究 | 第23-27页 |
| 2.3.1 增强学习算法分析 | 第23-25页 |
| 2.3.2 基于增强学习算法的信号配时优化研究 | 第25-26页 |
| 2.3.3 增强学习算法应用在信号配时优化中的难点和需求 | 第26-27页 |
| 2.4 VANET数据收集和信号配时优化算法设计方案 | 第27-29页 |
| 2.5 本章小结 | 第29-30页 |
| 3. 动态分簇交通数据收集算法 | 第30-45页 |
| 3.1 V2X通信模式下的分簇模型设计 | 第30-31页 |
| 3.1.1 网络模型描述和假设 | 第30-31页 |
| 3.1.2 单个交叉路口网络分簇模型 | 第31页 |
| 3.2 V2V通信模式下的动态分簇方案实现 | 第31-36页 |
| 3.2.1 基于传输范围和速度的簇的划分 | 第32页 |
| 3.2.2 基于近邻传播消息传递算法的簇头选择 | 第32-34页 |
| 3.2.3 V2V分簇算法设计 | 第34-36页 |
| 3.3 动态车流数据收集 | 第36-38页 |
| 3.4 算法仿真模拟和结果分析 | 第38-44页 |
| 3.4.1 仿真场景 | 第38-40页 |
| 3.4.2 仿真参数和性能判据 | 第40-41页 |
| 3.4.3 仿真结果分析 | 第41-44页 |
| 3.5 本章小结 | 第44-45页 |
| 4. 协同分布式Q学习信号配时优化算法 | 第45-63页 |
| 4.1 基于分簇交通数据收集的信号配时优化问题描述 | 第45-48页 |
| 4.1.1 交叉路口信号优化参数 | 第45-46页 |
| 4.1.2 基于V2X信号配时优化的系统方案设计 | 第46-47页 |
| 4.1.3 基于V2I的交叉路口排队长度估计 | 第47-48页 |
| 4.2 协同分布式Q学习算法设计 | 第48-52页 |
| 4.2.1 多智能体协同分布式Q学习算法 | 第48-49页 |
| 4.2.2 协同Q学习的快速函数逼近方法设计 | 第49-51页 |
| 4.2.3 搜索和利用平衡策略 | 第51-52页 |
| 4.3 基于Q学习的协同分布式信号配时优化算法 | 第52-55页 |
| 4.3.1 交通信号配时优化中Q学习模型的建立 | 第52-53页 |
| 4.3.2 协同分布式信号配时优化算法流程 | 第53-55页 |
| 4.4 算法仿真模拟和结果分析 | 第55-62页 |
| 4.4.1 仿真环境与参数 | 第56-57页 |
| 4.4.2 性能评价指标 | 第57页 |
| 4.4.3 仿真结果分析 | 第57-62页 |
| 4.5 本章小结 | 第62-63页 |
| 5. 总结与展望 | 第63-65页 |
| 5.1 总结 | 第63-64页 |
| 5.2 展望 | 第64-65页 |
| 参考文献 | 第65-71页 |
| 附录1 图索引 | 第71-72页 |
| 攻读学位期间主要的论文情况和科研情况 | 第72-73页 |
| 致谢 | 第73页 |
