基于行程时间组合预测模型的动态路径诱导系统研究
| 摘要 | 第1-6页 |
| Abstract | 第6-10页 |
| 第一章 绪论 | 第10-16页 |
| ·研究背景 | 第10-11页 |
| ·研究意义 | 第11页 |
| ·国内外研究现状 | 第11-14页 |
| ·动态车辆路径诱导系统研究现状 | 第11-13页 |
| ·行程时间预测研究现状 | 第13-14页 |
| ·课题研究目标及主要内容 | 第14页 |
| ·论文组织结构 | 第14-16页 |
| 第二章 最优路径选择问题 | 第16-24页 |
| ·最优路径 | 第16页 |
| ·行程时间数据的获取及处理 | 第16-20页 |
| ·行程时间数据特点 | 第16-17页 |
| ·行程时间的获取 | 第17-19页 |
| ·行程时间的预处理 | 第19-20页 |
| ·常用的最优路径求解算法 | 第20-23页 |
| ·Dijkstra 算法 | 第20-21页 |
| ·A*算法 | 第21-22页 |
| ·K 条最短路径算法 | 第22-23页 |
| ·本章小结 | 第23-24页 |
| 第三章 单个模型的行程时间预测 | 第24-40页 |
| ·预测算法 | 第24-28页 |
| ·支持向量机 | 第24-27页 |
| ·多元线性回归 | 第27-28页 |
| ·单个模型预测行程时间 | 第28-35页 |
| ·数据说明 | 第28-31页 |
| ·实验方案 | 第31-35页 |
| ·最近邻中值模型 | 第35-39页 |
| ·本章小结 | 第39-40页 |
| 第四章 组合模型行程时间预测 | 第40-51页 |
| ·组合预测原理 | 第40页 |
| ·最小二乘线性回归 | 第40-41页 |
| ·人工神经网络 | 第41-42页 |
| ·BP 网络结构 | 第41-42页 |
| ·BP 神经网络学习算法 | 第42页 |
| ·插值方法 | 第42-43页 |
| ·分片线性回归 | 第43-45页 |
| ·k-means 聚类算法 | 第43-44页 |
| ·聚类分片的线性回归组合 | 第44-45页 |
| ·动态调整权重的线性回归组合 | 第45-46页 |
| ·基于组合模型的行程时间预测 | 第46-50页 |
| ·最小二乘线性回归组合 | 第46-47页 |
| ·组合最近邻中值模型 | 第47-48页 |
| ·聚类分片的线性回归组合 | 第48-50页 |
| ·本章小结 | 第50-51页 |
| 第五章 动态路径诱导系统 | 第51-62页 |
| ·动态路径诱导系统的构成 | 第51-52页 |
| ·交通信息数据 | 第52-53页 |
| ·路网的存储 | 第53-55页 |
| ·动态路径选择算法 | 第55-59页 |
| ·行程时间最少路径选择算法 | 第56-57页 |
| ·基于时间预测的动态路径选择算法 | 第57页 |
| ·算法分析 | 第57-59页 |
| ·行程时间最少路径选择算法的应用 | 第59-61页 |
| ·本章小结 | 第61-62页 |
| 总结 | 第62-64页 |
| 参考文献 | 第64-68页 |
| 攻读硕士学位期间取得的研究成果 | 第68-69页 |
| 致谢 | 第69页 |
