| 中文摘要 | 第3-4页 |
| 英文摘要 | 第4-5页 |
| 1 绪论 | 第8-16页 |
| 1.1 研究背景 | 第8-9页 |
| 1.2 交通流量短时预测研究现状 | 第9-14页 |
| 1.2.1 基于线性系统理论的预测方法 | 第9-11页 |
| 1.2.2 基于非线性理论的预测方法 | 第11页 |
| 1.2.3 基于知识发现的智能预测方法 | 第11-13页 |
| 1.2.4 基于组合模型的预测方法 | 第13-14页 |
| 1.2.5 存在的主要问题 | 第14页 |
| 1.3 课题的提出及意义 | 第14-15页 |
| 1.4 论文研究内容及章节安排 | 第15页 |
| 1.5 本章小结 | 第15-16页 |
| 2 高速公路路段流量数据的获取与特征分析 | 第16-26页 |
| 2.1 高速公路路段流量数据的获取 | 第16-19页 |
| 2.1.1 收费站数据 | 第16-18页 |
| 2.1.2 车检器数据 | 第18-19页 |
| 2.2 高速公路路段交通流特征分析 | 第19-25页 |
| 2.2.1 时间域的相似性 | 第19-23页 |
| 2.2.2 空间域的关联性 | 第23-25页 |
| 2.3 本章小结 | 第25-26页 |
| 3 基于收费站数据的匝道流量估计 | 第26-46页 |
| 3.1 引言 | 第26页 |
| 3.2 匝道流量估计的关键问题分析 | 第26-31页 |
| 3.2.1 匝道收费站特点 | 第26-28页 |
| 3.2.2 上下行方向车流分布规律 | 第28-31页 |
| 3.3 基于SVR的分车型匝道流量估计模型 | 第31-38页 |
| 3.3.1 支持向量机回归 | 第31-34页 |
| 3.3.2 分车型匝道流量估计模型的建立 | 第34-36页 |
| 3.3.3 模型参数的选取 | 第36-37页 |
| 3.3.4 基于SVR的分车型匝道流量估计流程 | 第37-38页 |
| 3.4 实验验证 | 第38-44页 |
| 3.4.1 数据来源与评价指标 | 第38-40页 |
| 3.4.3 实验方法与结果分析 | 第40-44页 |
| 3.5 本章小结 | 第44-46页 |
| 4 时空关联度与SVR结合的高速公路短时流量预测 | 第46-56页 |
| 4.1 引言 | 第46页 |
| 4.2 基于SVR的流量预测模型的不足 | 第46-47页 |
| 4.3 基于时空关联度的高速公路短时流量预测 | 第47-51页 |
| 4.3.1 上游断面的选取 | 第47-48页 |
| 4.3.2 收费站匝道流量对路段流量的影响 | 第48-49页 |
| 4.3.3 相邻多断面的时空关联度 | 第49-51页 |
| 4.3.4 预测函数的建立 | 第51页 |
| 4.4 时空关联度与SVR结合的高速公路短时流量预测模型 | 第51-55页 |
| 4.4.1 预测模型的融合 | 第51-53页 |
| 4.4.2 组合模型的算法流程 | 第53-55页 |
| 4.5 本章小结 | 第55-56页 |
| 5 模型测试及结果分析 | 第56-66页 |
| 5.1 实验方法 | 第56-57页 |
| 5.2 预测结果与对比分析 | 第57-64页 |
| 5.3 本章小结 | 第64-66页 |
| 6 总结与展望 | 第66-68页 |
| 6.1 总结 | 第66-67页 |
| 6.2 研究展望 | 第67-68页 |
| 致谢 | 第68-70页 |
| 参考文献 | 第70-74页 |
| 附录 | 第74页 |
| A.作者在攻读硕士学位期间参与的科研项目 | 第74页 |