| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 第1章 绪论 | 第9-18页 |
| 1.1 选题背景 | 第9-11页 |
| 1.2 国内外相关研究 | 第11-15页 |
| 1.2.1 多重分形去趋势互相关分析研究 | 第11-12页 |
| 1.2.2 RBF神经网络研究 | 第12-14页 |
| 1.2.3 车辆行驶时间预测研究 | 第14-15页 |
| 1.3 研究目标和研究内容 | 第15-16页 |
| 1.3.1 研究目标 | 第15页 |
| 1.3.2 研究内容 | 第15-16页 |
| 1.4 论文组织与结构 | 第16-17页 |
| 1.5 本章小结 | 第17-18页 |
| 第2章 相关理论与技术 | 第18-36页 |
| 2.1 车载数据相关概念 | 第18页 |
| 2.2 多重分形去趋势互相关分析 | 第18-27页 |
| 2.2.1 去趋势波动分析 | 第20-21页 |
| 2.2.2 去趋势互相关分析 | 第21-23页 |
| 2.2.3 多重分形性 | 第23-24页 |
| 2.2.4 多重分形去趋势波动分析 | 第24-25页 |
| 2.2.5 多重分形去趋势互相关分析 | 第25-26页 |
| 2.2.6 幂律拟合 | 第26-27页 |
| 2.3 径向基神经网络 | 第27-34页 |
| 2.3.1 RBF神经网络结构和工作原理 | 第28-31页 |
| 2.3.2 RBF神经网络学习算法 | 第31-33页 |
| 2.3.3 RBF神经网络的特点 | 第33-34页 |
| 2.4 车辆行驶时间预测相关研究 | 第34-35页 |
| 2.5 本章小结 | 第35-36页 |
| 第3章 车载数据相关性分析 | 第36-45页 |
| 3.1 车载数据分析 | 第36页 |
| 3.2 车载数据的波动性和多重分形性 | 第36-37页 |
| 3.3 车载数据的多重分形去趋势互相关分析 | 第37-39页 |
| 3.4 实验结果与分析 | 第39-44页 |
| 3.4.1 车载数据的结构处理 | 第39-41页 |
| 3.4.2 时间序列的等间距标准化 | 第41-42页 |
| 3.4.3 多重分形区间划分和最小二乘法拟合 | 第42-43页 |
| 3.4.4 波动函数的幂率拟合 | 第43-44页 |
| 3.5 本章小结 | 第44-45页 |
| 第4章 车辆行驶时间预测模型 | 第45-61页 |
| 4.1 车辆行驶时间预测问题描述 | 第45-48页 |
| 4.1.1 车辆行驶线路划分 | 第46-47页 |
| 4.1.2 车辆行驶时间模型 | 第47-48页 |
| 4.2 两阶段混合场景自适应RBF神经网络 | 第48-52页 |
| 4.2.1 离线初始化RBF神经网络 | 第50页 |
| 4.2.2 在线场景自适应RBF神经网络 | 第50-52页 |
| 4.3 基于改进RBF神经网络的车辆行驶速度预测模型 | 第52-53页 |
| 4.4 TSMSA-RBF神经网络的算法实现 | 第53-55页 |
| 4.5 模型训练和实例验证 | 第55-60页 |
| 4.6 本章小结 | 第60-61页 |
| 第5章 车辆行驶时间预测实现 | 第61-67页 |
| 5.1 智能公交平台设计介绍 | 第61-63页 |
| 5.2 车辆行驶时间预测软件设计 | 第63-64页 |
| 5.3 车辆行驶时间预测软件数据库设计 | 第64-65页 |
| 5.4 智能公交平台的数据存储模型 | 第65页 |
| 5.5 车辆行驶时间预测软件运行效果 | 第65-66页 |
| 5.6 本章小结 | 第66-67页 |
| 第6章 总结与展望 | 第67-69页 |
| 6.1 论文总结 | 第67页 |
| 6.2 下一步工作展望 | 第67-69页 |
| 参考文献 | 第69-73页 |
| 致谢 | 第73页 |