基于短时交通流预测的道路拥堵判断研究
| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第一章 绪论 | 第10-18页 |
| 1.1. 研究背景及意义 | 第10-12页 |
| 1.1.1. 课题研究背景 | 第10-11页 |
| 1.1.2. 研究目的及意义 | 第11-12页 |
| 1.2 国内外研究综述 | 第12-16页 |
| 1.2.1. 短时交通流预测研究综述 | 第12-14页 |
| 1.2.2. 交通拥堵状况判定研究综述 | 第14-16页 |
| 1.3. 研究内容与研究思路 | 第16-18页 |
| 第二章 交通流基础理论 | 第18-25页 |
| 2.1. 交通流理论简介 | 第18-21页 |
| 2.1.1. 课题研究背景 | 第18-20页 |
| 2.1.2. 交通流特性表现形式及预测过程 | 第20-21页 |
| 2.2. 交通拥堵概述 | 第21-24页 |
| 2.2.1. 交通拥堵的特征分析 | 第22-23页 |
| 2.2.2. 交通拥堵成因分析 | 第23-24页 |
| 本章小结 | 第24-25页 |
| 第三章 交通数据采集及预处理 | 第25-38页 |
| 3.1. 交通数据采集 | 第25-31页 |
| 3.1.1. 交通数据获取的方法 | 第25-28页 |
| 3.1.2. 数据采集技术 | 第28-30页 |
| 3.1.3. 数据采集类型 | 第30-31页 |
| 3.2. 数据预处理 | 第31-34页 |
| 3.2.1. 数据处理的必要性和流程 | 第31-32页 |
| 3.2.2. 原始数据存在的不足 | 第32页 |
| 3.2.3. 对丢失数据的识别 | 第32-33页 |
| 3.2.4. 对错误数据的识别 | 第33页 |
| 3.2.5. 丢失数据和错误数据修复 | 第33-34页 |
| 3.3. 交通数据处理 | 第34-37页 |
| 本章小结 | 第37-38页 |
| 第四章 短时交通流预测模型的应用 | 第38-57页 |
| 4.1. 高斯过程回归短时交通流预测 | 第38-44页 |
| 4.1.1. BP神经网络的短时交通流预测 | 第40-41页 |
| 4.1.2.人工神经网络基本原理 | 第41-42页 |
| 4.1.3.基于BP网络的交通流预测模型 | 第42-44页 |
| 4.2.模型评价指标 | 第44-45页 |
| 4.3.模型的仿真及结果分析与对比 | 第45-51页 |
| 4.3.1.模型仿真搭建 | 第45页 |
| 4.3.2.预测结果分析 | 第45-51页 |
| 4.4.卡口预测数据与雷达数据对比分析 | 第51-56页 |
| 本章小结 | 第56-57页 |
| 第五章 交通拥堵状况判定 | 第57-72页 |
| 5.1. 交通拥堵状况的评判指标 | 第57-59页 |
| 5.1.1. 道路交通拥堵度判定指标的选取原则 | 第57页 |
| 5.1.2. 道路交通拥堵度评价指标 | 第57-59页 |
| 5.2. 模糊综合评判法对道路交通拥堵状况判定 | 第59-64页 |
| 5.2.1. AHP-Entropy确定权重步骤 | 第60-62页 |
| 5.2.2. 模糊综合评判 | 第62-64页 |
| 5.3. 实际应用 | 第64-71页 |
| 本章小结 | 第71-72页 |
| 主要研究结论与展望 | 第72-74页 |
| 研究结论 | 第72页 |
| 研究展望 | 第72-74页 |
| 参考文献 | 第74-76页 |
| 附录1 小波函数网络训练代码 | 第76-78页 |
| 附录2 高斯过程回归部分代码 | 第78-80页 |
| 致谢 | 第80页 |
