| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第9-15页 |
| 1.1 选题背景和研究意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-13页 |
| 1.2.1 交通流预测研究现状 | 第10-11页 |
| 1.2.2 城市道路交通状态识别研究现状 | 第11-13页 |
| 1.3 本文主要研究内容及技术路线 | 第13-14页 |
| 1.4 论文组织结构 | 第14-15页 |
| 第二章 相关基础理论与技术背景 | 第15-26页 |
| 2.1 基于云计算的智能交通系统概述 | 第15-18页 |
| 2.1.1 智能交通云系统的需求分析 | 第15页 |
| 2.1.2 智能交通云系统的逻辑框架 | 第15-16页 |
| 2.1.3 云平台Hadoop概述 | 第16-18页 |
| 2.2 短时交通流预测概述 | 第18-22页 |
| 2.2.1 交通流的基本参数 | 第18-19页 |
| 2.2.2 交通流的特性 | 第19-20页 |
| 2.2.3 交通流预测的基本流程 | 第20页 |
| 2.2.4 短时交通流预测的方法 | 第20-22页 |
| 2.3 交通状态识别概述 | 第22-25页 |
| 2.3.1 交通状态的概念和特性 | 第22-23页 |
| 2.3.2 交通状态指标选取原则 | 第23页 |
| 2.3.3 交通状态分类标准的确定原则 | 第23-24页 |
| 2.3.4 传统的交通状态识别方法简介 | 第24-25页 |
| 2.4 本章小结 | 第25-26页 |
| 第三章 基于大数据的非参数回归短时交通流预测 | 第26-36页 |
| 3.1 概述 | 第26-27页 |
| 3.2 K近邻算法预测短时交通流 | 第27-29页 |
| 3.2.1 K近邻算法预测算法一般流程 | 第27页 |
| 3.2.2 K近邻算法预测短时交通流关键步骤 | 第27-29页 |
| 3.3 基于MapReduce的K近邻搜索与预测机制 | 第29-31页 |
| 3.3.1 K近邻选择算法 | 第29-30页 |
| 3.3.2 K近邻算法的MapReduce设计 | 第30页 |
| 3.3.3 K近邻算法的MapReduce实现 | 第30-31页 |
| 3.4 实验 | 第31-35页 |
| 3.4.1 实验基本步骤 | 第31-33页 |
| 3.4.2 实验结果分析 | 第33-35页 |
| 3.5 本章小结 | 第35-36页 |
| 第四章 基于MapReduce和聚类算法的交通状态识别 | 第36-55页 |
| 4.1 概述 | 第36页 |
| 4.2 多种聚类算法研究 | 第36-42页 |
| 4.2.1 Canopy算法原理 | 第36-37页 |
| 4.2.2 K-means聚类算法原理 | 第37-39页 |
| 4.2.3 模糊聚类FCM算法原理 | 第39-41页 |
| 4.2.4 K-means和FCM算法对比分析 | 第41-42页 |
| 4.3 基于MapReduce的聚类算法用于交通状态识别 | 第42-49页 |
| 4.3.1 基于MapReduce的Canopy-K均值聚类算法用于交通状态识别 | 第42-45页 |
| 4.3.2 基于MapReduce的Canopy-FCM算法用于交通状态识别 | 第45-49页 |
| 4.4 实验 | 第49-54页 |
| 4.4.1 实验准备 | 第49-50页 |
| 4.4.2 交通流参数的计算与道路服务水平 | 第50-52页 |
| 4.4.3 对比实验分析 | 第52-54页 |
| 4.5 本章小结 | 第54-55页 |
| 第五章 总结与展望 | 第55-57页 |
| 5.1 总结 | 第55-56页 |
| 5.2 展望 | 第56-57页 |
| 参考文献 | 第57-62页 |
| 攻读硕士期间发表文章 | 第62-63页 |
| 致谢 | 第63页 |
