| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 第1章 绪论 | 第10-17页 |
| 1.1 研究背景 | 第10页 |
| 1.2 研究意义 | 第10-11页 |
| 1.3 国内外研究综述 | 第11-15页 |
| 1.3.1 国外的研究现状及应用情况 | 第11-13页 |
| 1.3.2 国内的研究现状及应用情况 | 第13-15页 |
| 1.4 研究思路 | 第15-16页 |
| 1.5 研究内容及结构 | 第16-17页 |
| 第2章 课题相关理论基础 | 第17-28页 |
| 2.1 交通流基本概念及基本参数 | 第17-22页 |
| 2.2 交通参数采集技术 | 第22-24页 |
| 2.2.1 固定型采集技术 | 第22页 |
| 2.2.2 移动型采集技术 | 第22-24页 |
| 2.3 城市道路交通流特征分析 | 第24-25页 |
| 2.4 道路交通流短时预测基本概念 | 第25-26页 |
| 2.4.1 道路交通流短时预测基本概念 | 第25-26页 |
| 2.4.2 道路交通流短时预测评价指标 | 第26页 |
| 2.5 本章小结 | 第26-28页 |
| 第3章 数据的获取及其预处理 | 第28-34页 |
| 3.1 子路段划分 | 第28页 |
| 3.2 车载GPS的基础数据特征分析 | 第28-30页 |
| 3.3 车载GPS的异常数据预处理方法 | 第30页 |
| 3.4 基于车载GPS的交通数据获取及其预处理方法 | 第30-33页 |
| 3.5 本章小结 | 第33-34页 |
| 第4章 城市交通路况判别 | 第34-45页 |
| 4.1 交通拥堵的度量标准 | 第34-36页 |
| 4.2 基于路段行程时间的交通拥挤自动判别算法 | 第36-38页 |
| 4.3 基于浮动车GPS数据的ACD算法 | 第38-41页 |
| 4.3.1 基于车载GPS数据的ACD算法基本思想 | 第39页 |
| 4.3.2 基于车载GPS数据的ACD算法流程 | 第39-41页 |
| 4.4 实例分析 | 第41-44页 |
| 4.5 本章小结 | 第44-45页 |
| 第5章 短时交通流预测 | 第45-65页 |
| 5.1 概述 | 第45页 |
| 5.2 经典预测模型 | 第45-47页 |
| 5.2.1 卡尔曼滤波方法 | 第45-46页 |
| 5.2.2 历史趋势法 | 第46页 |
| 5.2.3 参数回归模型 | 第46页 |
| 5.2.4 时间序列法 | 第46-47页 |
| 5.3 小波神经网络模型 | 第47-55页 |
| 5.3.1 模型基础 | 第47-49页 |
| 5.3.2 预测模型的搭建及参数选择 | 第49页 |
| 5.3.3 预测流程图 | 第49-50页 |
| 5.3.4 交通流案例分析 | 第50-54页 |
| 5.3.5 小波神经网络模型的优点及不足 | 第54-55页 |
| 5.4 基于粒子群算法改进的小波神经网络模型 | 第55-59页 |
| 5.4.1 粒子群算法 | 第55-56页 |
| 5.4.2 粒子群算法流程 | 第56-57页 |
| 5.4.3 粒子群算法的改进 | 第57-58页 |
| 5.4.4 基于粒子群算法优化小波神经网络预测算法 | 第58-59页 |
| 5.5 模型试验对比 | 第59-64页 |
| 5.6 本章小结 | 第64-65页 |
| 第6章 总结与展望 | 第65-67页 |
| 6.1 总结 | 第65页 |
| 6.2 展望 | 第65-67页 |
| 参考文献 | 第67-71页 |
| 附录 附录内容及名称 | 第71-78页 |
| 致谢 | 第78页 |
