城市网格化机动车牌照识别系统最小时间路径预测
| 致谢 | 第1-6页 |
| 中文摘要 | 第6-7页 |
| ABSTRACT | 第7-11页 |
| 1 绪论 | 第11-22页 |
| ·城市交通存在的问题 | 第11页 |
| ·智能交通系统概述 | 第11-12页 |
| ·动态路径诱导系统 | 第12-17页 |
| ·动态路径诱导系统的组成及分类 | 第13-15页 |
| ·国外DRGS的研究状况 | 第15-16页 |
| ·国内DRGS的研究状况 | 第16-17页 |
| ·研究背景及选题的意义 | 第17-18页 |
| ·城市网格化机动车牌照识别系统 | 第18-20页 |
| ·城市网格化项目背景 | 第18页 |
| ·城市网格化概念 | 第18-19页 |
| ·城市网格化项目简介 | 第19-20页 |
| ·本文研究内容 | 第20-22页 |
| 2 典型路段行程时间预测方法介绍 | 第22-29页 |
| ·引言 | 第22页 |
| ·几种典型的路段行程时间预测方法 | 第22-28页 |
| ·历史趋势法 | 第22页 |
| ·时间序列法 | 第22-24页 |
| ·卡尔曼滤波方法 | 第24-25页 |
| ·参数回归模型 | 第25页 |
| ·BP神经网络的预测模型 | 第25-26页 |
| ·Fuzzy回归模型 | 第26-28页 |
| ·交通模拟模型 | 第28页 |
| ·小结 | 第28-29页 |
| 3 数据挖掘技术概述 | 第29-34页 |
| ·数据挖掘技术的产生及概念 | 第29页 |
| ·数据挖掘的流程 | 第29-30页 |
| ·数据挖掘的特点 | 第30-31页 |
| ·数据挖掘的分类与方法 | 第31-33页 |
| ·数据挖掘的分类 | 第31页 |
| ·数据挖掘的方法 | 第31-33页 |
| ·小结 | 第33-34页 |
| 4 基于数据挖掘的改进非参数回归行程时间预测算法 | 第34-45页 |
| ·基于数据挖掘的非参数回归的行程时间预测算法 | 第34-41页 |
| ·非参数回归 | 第34-35页 |
| ·非参数回归的行程时间预测算法框架 | 第35-36页 |
| ·基于数据挖掘的样板数据库的生成 | 第36-38页 |
| ·状态向量的选择 | 第38页 |
| ·数据匹配—K近邻法则 | 第38-39页 |
| ·预测算法 | 第39-40页 |
| ·预测结果 | 第40-41页 |
| ·基于数据挖掘的改进非参数回归行程时间预测算法 | 第41-45页 |
| ·欧式距离权重的改进 | 第41-42页 |
| ·数据匹配方法及相似机制改进 | 第42-43页 |
| ·预测算法的改进 | 第43页 |
| ·预测结果 | 第43-45页 |
| 5 最小时间路径预测方案 | 第45-56页 |
| ·概述 | 第45页 |
| ·时间依赖的网络最小时间路径算法 | 第45-48页 |
| ·时间依赖网络模型 | 第45-46页 |
| ·时间依赖网络的理论基础 | 第46-47页 |
| ·时间依赖网络最短路径算法 | 第47-48页 |
| ·小结 | 第48页 |
| ·简单最小时间路径算法 | 第48-51页 |
| ·算法的考虑 | 第48-49页 |
| ·路径的确定 | 第49-50页 |
| ·最小时间路径及次最小时间路径预测 | 第50-51页 |
| ·最小时间路径预测实例验证 | 第51-56页 |
| 6 结论 | 第56-58页 |
| ·本文工作总结 | 第56页 |
| ·今后工作展望 | 第56-58页 |
| 7 参考文献 | 第58-61页 |
| 8 作者简历 | 第61-63页 |
| 10 学位论文数据集 | 第63页 |
