| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第1章 绪论 | 第8-11页 |
| 1.1 交通流量预测研究背景及目的 | 第8-9页 |
| 1.2 交通流预测发展现状 | 第9页 |
| 1.3 章节安排 | 第9-11页 |
| 第2章 基于灰色关联分析的交通流量影响因素分析 | 第11-15页 |
| 2.1 交通流量影响因素分析 | 第11页 |
| 2.2 灰色关联度的概念及其应用 | 第11-12页 |
| 2.3 灰色关联的几种计算方法 | 第12-14页 |
| 2.3.1 一般性计算方法 | 第12-13页 |
| 2.3.2 灰色综合关联度 | 第13-14页 |
| 2.4 本章小结 | 第14-15页 |
| 第3章 卡尔曼滤波器理论 | 第15-26页 |
| 3.1 最小均方估计 | 第15-16页 |
| 3.2 卡尔曼滤波问题 | 第16-18页 |
| 3.3 新息过程 | 第18-20页 |
| 3.4 状态估计 | 第20-24页 |
| 3.4.1 卡尔曼增益 | 第21-23页 |
| 3.4.2 Riccati 方程 | 第23-24页 |
| 3.5 设定初始值 | 第24-25页 |
| 3.6 本章小结 | 第25-26页 |
| 第4章 基于历史数据的卡尔曼滤波预测模型 | 第26-41页 |
| 4.1 传统基于卡尔曼滤波理论的交通流量实时预测模型 | 第26-29页 |
| 4.1.1 仿真实验及其结果 | 第28-29页 |
| 4.2 卡尔曼滤波的局限性 | 第29页 |
| 4.3 交通流量的周期性 | 第29-32页 |
| 4.3.1 月变化的周期性 | 第30-31页 |
| 4.3.2 日变化的周期性 | 第31页 |
| 4.3.3 时变化的周期性 | 第31-32页 |
| 4.4 基于历史数据的卡尔曼滤波短时预测模型 | 第32-40页 |
| 4.4.1 交通流量数据来源 | 第32-34页 |
| 4.4.2 交通流量预测模型结构 | 第34-35页 |
| 4.4.3 交通流量影响因素分析 | 第35-37页 |
| 4.4.4 基于历史数据的卡尔曼滤波预测模型 | 第37-39页 |
| 4.4.5 仿真实验及其结果 | 第39-40页 |
| 4.5 本章小结 | 第40-41页 |
| 第5章 实验结果分析 | 第41-47页 |
| 5.1 预测模型的评价方法 | 第41页 |
| 5.2 流量相似以及工作日模式 | 第41-42页 |
| 5.2.1 相似性度量 | 第41-42页 |
| 5.2.2 工作日的流量相似性 | 第42页 |
| 5.3 交通流量预测误差指标 | 第42-43页 |
| 5.4 交通流量预测模型对比分析 | 第43-46页 |
| 5.4.1 基于卡尔曼滤波和神经网络方法的组合预测模型 | 第43-44页 |
| 5.4.2 基于约束卡尔曼滤波的短时交通流量预测模型 | 第44页 |
| 5.4.3 几种基于卡尔曼滤波的预测模型性能比较分析 | 第44-46页 |
| 5.5 本章小结 | 第46-47页 |
| 第6章 总结 | 第47-49页 |
| 参考文献 | 第49-52页 |
| 在学研究成果 | 第52-53页 |
| 致谢 | 第53页 |
