基于多源检测器的交通信息融合方法研究
| 致谢 | 第1-6页 |
| 中文摘要 | 第6-7页 |
| ABSTRACT | 第7-8页 |
| 目录 | 第8-10页 |
| 图目录 | 第10-12页 |
| 1. 绪论 | 第12-19页 |
| ·课题依据 | 第12页 |
| ·研究背景及意义 | 第12-14页 |
| ·国内外研究现状 | 第14-16页 |
| ·信息融合定义 | 第14页 |
| ·国内外信息融合技术的发展 | 第14-16页 |
| ·存在问题 | 第16-17页 |
| ·本文主要的研究内容 | 第17-19页 |
| 2. 交通信息采集与信息融合方法 | 第19-32页 |
| ·常用的交通信息采集技术 | 第19-24页 |
| ·固定式检测器技术 | 第21-23页 |
| ·移动式检测器技术 | 第23-24页 |
| ·常用的信息融合方法 | 第24-31页 |
| ·贝叶斯法 | 第26-27页 |
| ·DS证据推理法 | 第27-29页 |
| ·神经网络模型法 | 第29-31页 |
| ·本章小结 | 第31-32页 |
| 3. 基于北京市多源检测器的信息融合方法研究 | 第32-55页 |
| ·引言 | 第32-33页 |
| ·北京市交通流检测器及其数据分析 | 第33-40页 |
| ·北京市路网 | 第33-34页 |
| ·北京市交通流检测器状况 | 第34-37页 |
| ·检测器数据分析 | 第37-40页 |
| ·道路网全覆盖 | 第40-50页 |
| ·牌照识别法 | 第40-42页 |
| ·空间相关性 | 第42-47页 |
| ·浮动车数据 | 第47-50页 |
| ·固定检测器与GPS检测器之间融合 | 第50-54页 |
| ·神经网络模型融合方法的选择 | 第50-51页 |
| ·神经网络模型输入参数 | 第51-52页 |
| ·神经网络模型的设计与实现 | 第52-53页 |
| ·神经网络模型输出参数 | 第53-54页 |
| ·本章小结 | 第54-55页 |
| 4. 实例 | 第55-70页 |
| ·数据获取 | 第55-58页 |
| ·单位路段数据获取 | 第55-56页 |
| ·主要路段数据获取 | 第56-57页 |
| ·浮动车调查数据获取 | 第57-58页 |
| ·数据融合及有效性判断 | 第58-60页 |
| ·数据融合模型的训练 | 第58-59页 |
| ·有效性判断条件 | 第59-60页 |
| ·实例分析结论 | 第60-69页 |
| ·单位路段模型有效性分析 | 第60-65页 |
| ·主要路段模型有效性分析 | 第65-69页 |
| ·本章小结 | 第69-70页 |
| 5. 结论与展望 | 第70-72页 |
| ·论文工作总结 | 第70页 |
| ·论文的不足与展望 | 第70-72页 |
| 参考文献 | 第72-74页 |
| 附录A | 第74-76页 |
| 附录B | 第76-77页 |
| 附录C | 第77-79页 |
| 作者简历 | 第79-81页 |
| 学位论文数据集 | 第81页 |
