| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7-8页 |
| 1 绪论 | 第12-18页 |
| 1.1 研究背景 | 第12-13页 |
| 1.2 研究目的和意义 | 第13-14页 |
| 1.3 研究内容 | 第14-15页 |
| 1.4 论文框架结构 | 第15-16页 |
| 1.5 本文技术路线 | 第16-18页 |
| 2 路段旅行时间研究综述 | 第18-28页 |
| 2.1 数据驱动方法概述 | 第18-22页 |
| 2.1.1 数据驱动方法特点要求与基本流程 | 第18-19页 |
| 2.1.2 数据驱动方法 | 第19-22页 |
| 2.2 旅行时间估计与预测研究综述 | 第22-27页 |
| 2.2.1 旅行时间估计研究现状 | 第23-25页 |
| 2.2.2 旅行时间预测研究现状 | 第25-27页 |
| 2.3 本章小结 | 第27-28页 |
| 3 数据采集与GPS数据处理 | 第28-46页 |
| 3.1 城市道路特性与旅行时间影响因素分析 | 第28-29页 |
| 3.1.1 城市道路特性 | 第28页 |
| 3.1.2 路段旅行时间影响因素分析 | 第28-29页 |
| 3.2 交通数据采集 | 第29-31页 |
| 3.2.1 交通数据采集方法 | 第29-30页 |
| 3.2.2 GPS浮动车采集技术的优点 | 第30-31页 |
| 3.2.3 GPS浮动车系统工作原理 | 第31页 |
| 3.3 GPS数据提取与处理 | 第31-44页 |
| 3.3.1 出租车GPS数据采集格式 | 第31-34页 |
| 3.3.2 GPS数据预处理 | 第34-37页 |
| 3.3.3 GPS数据目标路段的提取 | 第37-39页 |
| 3.3.4 GPS数据分方向处理 | 第39-44页 |
| 3.4 本章小结 | 第44-46页 |
| 4 基于遗传算法的BP神经网络路段旅行时间估计 | 第46-68页 |
| 4.1 VISSIM仿真车辆轨迹的提取 | 第46-52页 |
| 4.1.1 VISSIM仿真基本原理 | 第46页 |
| 4.1.2 本文仿真方案 | 第46-50页 |
| 4.1.3 基于仿真的浮动车数据提取 | 第50-52页 |
| 4.2 基于BP神经网络的旅行时间估计模型 | 第52-57页 |
| 4.2.1 BP神经网络结构确定 | 第53-54页 |
| 4.2.2 BP神经网络权值与阈值确定 | 第54-57页 |
| 4.3 基于遗传算法的BP神经网络优化 | 第57-60页 |
| 4.3.1 算法流程 | 第57-58页 |
| 4.3.2 算法实现 | 第58-60页 |
| 4.4 基于浮动车数据的路段旅行时间估计 | 第60-66页 |
| 4.4.1 基于仿真浮动车数据的路段旅行时间估计 | 第60-63页 |
| 4.4.2 输入数据的灵敏度分析 | 第63-64页 |
| 4.4.3 基于真实浮动车数据的旅行时间估计 | 第64-66页 |
| 4.5 本章小结 | 第66-68页 |
| 5 基于非参数回归的路段旅行时间预测 | 第68-92页 |
| 5.1 非参数回归的特点及适用条件 | 第68-72页 |
| 5.1.1 非参数回归算法概述 | 第68-69页 |
| 5.1.2 非参数回归的优点 | 第69页 |
| 5.1.3 非参数回归方法适用条件 | 第69-70页 |
| 5.1.4 非参数回归算法基本流程 | 第70-72页 |
| 5.2 历史数据库的建立 | 第72-79页 |
| 5.2.1 车辆进入路段时间及路段平均速度确定 | 第73-75页 |
| 5.2.2 基于实际GPS数据建立历史数据库 | 第75-79页 |
| 5.3 基于非参数回归的路段旅行时间预测 | 第79-90页 |
| 5.3.1 单纯非参数回归算法下的路段旅行时间预测 | 第79-85页 |
| 5.3.2 基于非线性拟合的非参数回归旅行时间预测 | 第85-90页 |
| 5.4 本章小结 | 第90-92页 |
| 6 结论 | 第92-94页 |
| 6.1 主要结论 | 第92-93页 |
| 6.2 研究展望 | 第93-94页 |
| 参考文献 | 第94-100页 |
| 作者简历及攻读硕士学位期间取得的研究成果 | 第100-104页 |
| 学位论文数据集 | 第104页 |