致谢 | 第5-6页 |
摘要 | 第6-7页 |
ABSTRACT | 第7页 |
1 绪论 | 第11-19页 |
1.1 研究背景与意义 | 第11-12页 |
1.2 国内外研究现状 | 第12-16页 |
1.2.1 国外研究现状 | 第12-14页 |
1.2.2 国内研究现状 | 第14-15页 |
1.2.3 研究现状结论 | 第15-16页 |
1.3 研究内容 | 第16页 |
1.4 技术路线 | 第16-19页 |
2 高速公路交通流参数分析及状态分类标准 | 第19-31页 |
2.1 高速公路基本路段交通状态描述 | 第19页 |
2.2 交通流参数分析 | 第19-27页 |
2.2.1 交通流特征参数 | 第20-22页 |
2.2.2 基本参数之间的关系 | 第22-24页 |
2.2.3 参数的确定 | 第24-27页 |
2.3 数据预处理 | 第27-29页 |
2.3.1 丢失数据的识别及修复 | 第27-28页 |
2.3.2 突变数据的识别及修复 | 第28页 |
2.3.3 数据的平滑处理 | 第28-29页 |
2.4 交通状态分类标准 | 第29-30页 |
2.5 本章小结 | 第30-31页 |
3 高速公路交通状态模糊判别方法研究 | 第31-49页 |
3.1 基于模糊聚类的高速公路交通状态判别 | 第31-35页 |
3.1.1 模糊聚类算法 | 第31-33页 |
3.1.2 基于FCM的高速公路交通状态划分 | 第33-35页 |
3.1.3 FCM算法应用于高速公路状态识别存在的问题 | 第35页 |
3.2 交通流单参数聚类算例分析 | 第35-42页 |
3.2.1 基于单参数聚类的状态划分结果 | 第36-38页 |
3.2.2 单参数聚类结果分析 | 第38-42页 |
3.3 基于参数赋权的改进FCM高速公路交通状态划分 | 第42-46页 |
3.3.1 熵权法 | 第42-44页 |
3.3.2 基于特征参数加权的改进度量函数 | 第44-45页 |
3.3.3 基于改进FCM的高速公路交通状态划分 | 第45-46页 |
3.4 基于误判率交叉估计法的聚类结果评估 | 第46-47页 |
3.5 本章小结 | 第47-49页 |
4 基于支持向量机的高速公路交通状态判别模型 | 第49-65页 |
4.1 支持向量机及其分类原理 | 第49-51页 |
4.2 支持向量机核函数及参数寻优 | 第51-56页 |
4.2.1 基于网格搜索法的参数优化算法 | 第52-53页 |
4.2.2 基于遗传算法的参数优化算法 | 第53-55页 |
4.2.3 基于粒子群算法的参数优化算法 | 第55-56页 |
4.3 支持向量机多分类器研究 | 第56-60页 |
4.3.1 多分类器算法原理 | 第56-58页 |
4.3.2 基于MSVM的高速公路交通状态分类模型 | 第58-60页 |
4.4 基于改进FCM和MSVM的高速公路交通状态判别模型 | 第60-63页 |
4.4.1 高速公路交通状态判别方法的基本步骤 | 第60-61页 |
4.4.2 高速公路交通状态判别方法的可行性分析 | 第61-63页 |
4.5 本章小结 | 第63-65页 |
5 高速公路实时交通状态判别方法应用研究 | 第65-83页 |
5.1 数据选取与预处理 | 第65-69页 |
5.1.1 数据来源 | 第65-66页 |
5.1.2 数据预处理 | 第66-69页 |
5.1.3 案例实现平台 | 第69页 |
5.2 基于改进FCM的高速公路交通状态聚类分析 | 第69-76页 |
5.2.1 基于熵权法的参数权值计算 | 第69-70页 |
5.2.2 改进FCM模糊聚类分析 | 第70-75页 |
5.2.3 误判率交叉估计 | 第75-76页 |
5.3 基于MSVM的高速公路交通状态判别模型 | 第76-82页 |
5.3.1 划分训练集和测试集 | 第76-77页 |
5.3.2 MSVM模型的参数寻优 | 第77-81页 |
5.3.3 MSVM模型的训练和测试 | 第81-82页 |
5.4 本章小结 | 第82-83页 |
6 总结与展望 | 第83-85页 |
6.1 论文的主要工作 | 第83-84页 |
6.2 后续研究展望 | 第84-85页 |
参考文献 | 第85-89页 |
作者简历及攻读硕士学位期间取得的研究成果 | 第89-93页 |
学位论文数据集 | 第93页 |