摘要 | 第5-6页 |
ABSTRACT | 第6-7页 |
目录 | 第8-11页 |
第1章 绪论 | 第11-22页 |
1.1 研究背景与意义 | 第11-13页 |
1.2 关键技术与国内外研究现状 | 第13-18页 |
1.2.1 BRT综合评价技术 | 第13-14页 |
1.2.2 基于量子神经网络的评价技术 | 第14-17页 |
1.2.3 BRT道路交通状况评价技术 | 第17-18页 |
1.3 研究内容与组织结构 | 第18-22页 |
1.3.1 问题的提出 | 第18-19页 |
1.3.2 主要研究内容 | 第19页 |
1.3.3 论文组织结构 | 第19-22页 |
第2章 BRT综合评价指标体系的建立 | 第22-35页 |
2.1 引言 | 第22页 |
2.2 BRT综合评价指标建立原则和设计筛选常用方法 | 第22-24页 |
2.2.1 指标建立原则 | 第22-23页 |
2.2.2 指标设计筛选方法 | 第23-24页 |
2.3 基于AHP的BRT综合评价指标体系的建立 | 第24-28页 |
2.3.1 指标体系准则设计 | 第24-25页 |
2.3.2 指标体系指标建立 | 第25-28页 |
2.4 BRT综合评价指标体系关联规则分析模型的建立 | 第28-30页 |
2.4.1 关联规则分析数学描述 | 第28-29页 |
2.4.2 关联规则分析模型建立 | 第29-30页 |
2.5 基于AHP的BRT综合评价指标体系的关联规则分析 | 第30-33页 |
2.5.1 数据预处理 | 第30-32页 |
2.5.2 频繁项集产生 | 第32页 |
2.5.3 关联规则挖掘 | 第32-33页 |
2.6 BRT综合评价指标体系评价标准的建立 | 第33-34页 |
2.7 本章小结 | 第34-35页 |
第3章 基于QNN的BRT综合评价方法的研究 | 第35-44页 |
3.1 引言 | 第35页 |
3.2 基于QNN的BRT综合评价模型的建立 | 第35-40页 |
3.2.1 量子神经元 | 第35-38页 |
3.2.2 QNN结构模型 | 第38-39页 |
3.2.3 QNN学习算法 | 第39页 |
3.2.4 QNN训练过程 | 第39-40页 |
3.3 基于QNN的BRT综合评价方法的分析验证 | 第40-43页 |
3.3.1 数据预处理 | 第40-41页 |
3.3.2 网络结构参数确定 | 第41-42页 |
3.3.3 不同方法评价结果对比 | 第42-43页 |
3.4 本章小结 | 第43-44页 |
第4章 BRT行驶信息的空间分析与运行状况的评价 | 第44-59页 |
4.1 引言 | 第44页 |
4.2 BRT实时行驶信息的采集 | 第44-46页 |
4.2.1 GPS车载定位系统的总体结构 | 第44-45页 |
4.2.2 GPS车辆行驶信息采集系统 | 第45-46页 |
4.3 BRT行驶信息空间分析模型的建立 | 第46-49页 |
4.3.1 BRT行驶信息数学描述 | 第46-47页 |
4.3.2 BRT空间分析模型建立 | 第47-49页 |
4.4 BRT运行状况的空间分析 | 第49-58页 |
4.4.1 延误分析 | 第50-54页 |
4.4.2 速度分析 | 第54-57页 |
4.4.3 工况分析 | 第57-58页 |
4.5 本章小结 | 第58-59页 |
第5章 BRT综合评价系统设计与实现 | 第59-78页 |
5.1 引言 | 第59页 |
5.2 BRT综合评价系统需求分析 | 第59-60页 |
5.3 BRT综合评价系统构建 | 第60-65页 |
5.3.1 框架设计 | 第60-62页 |
5.3.2 结构设计 | 第62-63页 |
5.3.3 功能设计 | 第63页 |
5.3.4 数据库设计 | 第63-65页 |
5.4 BRT综合评价系统实现 | 第65-75页 |
5.4.1 BRT宏观评价系统 | 第66-71页 |
5.4.2 BRT微观评价系统 | 第71-75页 |
5.5 综合评价结果分析总结 | 第75-77页 |
5.6 本章小结 | 第77-78页 |
第6章 总结与展望 | 第78-80页 |
6.1 总结 | 第78-79页 |
6.2 展望 | 第79-80页 |
参考文献 | 第80-84页 |
致谢 | 第84-85页 |
攻读学位期间参加的科研项目和成果 | 第85页 |