交通流状态非参数辨识关键理论及方法研究
| 摘要 | 第1-4页 |
| Abstract | 第4-8页 |
| 第一章 绪论 | 第8-16页 |
| ·研究背景 | 第8页 |
| ·国内外ITS 研究历史与发展现状 | 第8-13页 |
| ·国外 ITS 研究历史与发展现状 | 第8-10页 |
| ·我国ITS 研究历史与发展现状 | 第10-12页 |
| ·ITS 主要功能子系统 | 第12-13页 |
| ·交通流状态辨识 | 第13-14页 |
| ·本文主要研究内容 | 第14-15页 |
| ·本章小结 | 第15-16页 |
| 第二章 交通流状态辨识系统框架研究 | 第16-21页 |
| ·交通流状态辨识系统框架结构 | 第16-17页 |
| ·系统框架的主要组成部分 | 第17-20页 |
| ·本章小结 | 第20-21页 |
| 第三章 基于投影寻踪自回归的短时交通流预测 | 第21-30页 |
| ·交通流预测方法简介 | 第21-23页 |
| ·投影寻踪技术在交通流预测中的应用 | 第23-29页 |
| ·投影寻踪技术 | 第23-24页 |
| ·投影寻踪自回归模型（PPAR（k）） | 第24-27页 |
| ·交通流 PPAR 回归预测 | 第27-29页 |
| ·结论 | 第29页 |
| ·本章小结 | 第29-30页 |
| 第四章 交通流量变模式辨识的非参数概率变点模型 | 第30-42页 |
| ·变点问题的提法 | 第30页 |
| ·指数分布概率变点模型研究 | 第30-36页 |
| ·指数分布参数的变点 | 第31-32页 |
| ·均值变点搜索方法 | 第32-34页 |
| ·模型应用与结果分析 | 第34-36页 |
| ·二项分布概率变点模型研究 | 第36-40页 |
| ·累次计数法 | 第36-39页 |
| ·模型应用与结果分析 | 第39-40页 |
| ·本章小结 | 第40-42页 |
| 第五章 基于支持向量机的交通事件检测算法研究 | 第42-55页 |
| ·交通事件检测方法 | 第42-46页 |
| ·交通事件 | 第42-43页 |
| ·主要事件检测算法及评价指标 | 第43-46页 |
| ·支持向量机简介 | 第46-51页 |
| ·支持向量机 | 第46-47页 |
| ·支持向量机的基本思想 | 第47页 |
| ·支持向量机模型 | 第47-51页 |
| ·支持向量机在交通事件检测中的应用 | 第51-54页 |
| ·数据来源 | 第51-53页 |
| ·核函数的选择以及参数的优化 | 第53页 |
| ·仿真评价结果 | 第53页 |
| ·结论 | 第53-54页 |
| ·本章小结 | 第54-55页 |
| 第六章 信息融合技术在交通事件检测中的应用 | 第55-67页 |
| ·信息融合及交通信息融合简介 | 第55-57页 |
| ·信息融合 | 第55-56页 |
| ·信息融合的层次级别 | 第56-57页 |
| ·信息融合方法 | 第57页 |
| ·模糊控制和遗传算法 | 第57-62页 |
| ·模糊控制 | 第57-60页 |
| ·遗传算法 | 第60-62页 |
| ·基于遗传算法的交通信息模糊融合方法 | 第62-66页 |
| ·数据来源 | 第62页 |
| ·模糊控制在事件检测中的应用 | 第62-63页 |
| ·模糊过程 | 第63页 |
| ·隶属函数和决策表 | 第63-64页 |
| ·多层设计 | 第64页 |
| ·遗传算法优化事件模糊控制器 | 第64-66页 |
| ·本章小结 | 第66-67页 |
| 第七章 总结及展望 | 第67-69页 |
| 致谢 | 第69-70页 |
| 参考文献 | 第70-76页 |
| 攻读硕士学位期间发表的学术论文及其它成果 | 第76-77页 |
