| 摘要 | 第4-5页 |
| abstract | 第5页 |
| 第一章 绪论 | 第8-14页 |
| 1.1 课题研究的背景及意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-11页 |
| 1.2.1 国外研究现状 | 第9-10页 |
| 1.2.2 国内研究现状 | 第10-11页 |
| 1.3 城市交通信号控制技术的发展趋势 | 第11-12页 |
| 1.4 论文研究的主要内容及章节安排 | 第12-14页 |
| 第二章 交通流的基本理论及交通信号控制的基本概念 | 第14-20页 |
| 2.1 交通流基本理论 | 第14-16页 |
| 2.1.1 交通流的基本参数 | 第14-15页 |
| 2.1.2 交通流的统计分布规律 | 第15-16页 |
| 2.2 交通信号控制方式分类 | 第16-17页 |
| 2.2.1 按控制原理分类 | 第16-17页 |
| 2.2.2 按控制范围分类 | 第17页 |
| 2.3 交通信号控制的基本参数 | 第17-18页 |
| 2.4 交通信号控制的性能指标 | 第18-19页 |
| 2.5 本章小结 | 第19-20页 |
| 第三章 基于自适应移动窗BP神经网络短时交通流预测 | 第20-32页 |
| 3.1 短时交通流预测概述 | 第20-22页 |
| 3.1.1 短时交通流的特性 | 第20-21页 |
| 3.1.2 各种预测方法的研究综述 | 第21-22页 |
| 3.2 BP神经网络 | 第22-23页 |
| 3.2.1 BP神经网络原理 | 第22页 |
| 3.2.2 BP神经网络结构 | 第22-23页 |
| 3.2.3 BP神经网络工作过程 | 第23页 |
| 3.3 基于自适应移动窗BP神经网络预测模型 | 第23-28页 |
| 3.3.1 建模思路 | 第23页 |
| 3.3.2 基于自适应移动窗BP神经网络学习算法 | 第23-26页 |
| 3.3.3 基于AWM的BP神经网络预测模型流程 | 第26-28页 |
| 3.4 交通流量预测实验 | 第28-31页 |
| 3.5 本章小结 | 第31-32页 |
| 第四章 混合交通流下交叉口信号模糊控制研究 | 第32-53页 |
| 4.1 混合交通流特性 | 第32-33页 |
| 4.2 模糊控制理论概述 | 第33-34页 |
| 4.2.1 模糊控制的特点 | 第33页 |
| 4.2.2 模糊控制的基本原理 | 第33-34页 |
| 4.3 单交叉口的模型及相位分布 | 第34-35页 |
| 4.3.1 单交叉口模型 | 第34-35页 |
| 4.3.2 单交叉口的相位分布 | 第35页 |
| 4.4 单交叉口车辆平均延误模型 | 第35-36页 |
| 4.5 基于转化因子的单交叉口信号控制设计 | 第36-47页 |
| 4.5.1 基本原理 | 第36页 |
| 4.5.2 变相序模糊控制器的设计 | 第36-45页 |
| 4.5.3 最小绿灯时间的确定 | 第45-47页 |
| 4.6 仿真分析 | 第47-52页 |
| 4.7 本章小结 | 第52-53页 |
| 第五章 基于改进粒子群算法的混合交通信号模糊控制研究 | 第53-64页 |
| 5.1 粒子群优化算法介绍 | 第53-56页 |
| 5.1.1 PSO算法的基本原理 | 第53-55页 |
| 5.1.2 PSO算法基本处理流程 | 第55页 |
| 5.1.3 PSO算法在交通信号控制中的应用 | 第55-56页 |
| 5.2 基于PSO算法优化的交叉口信号模糊控制 | 第56-60页 |
| 5.2.1 PSO法优化隶属度函数 | 第57-59页 |
| 5.2.2 PSO算法优化模糊控制表 | 第59-60页 |
| 5.3 仿真分析 | 第60-63页 |
| 5.4 本章小结 | 第63-64页 |
| 第六章 总结与展望 | 第64-66页 |
| 6.1 总结 | 第64-65页 |
| 6.2 展望 | 第65-66页 |
| 参考文献 | 第66-69页 |
| 致谢 | 第69-70页 |
| 攻读学位期间所取得的相关科研成果 | 第70页 |