| 摘要 | 第9-10页 |
| ABSTRACT | 第10页 |
| 第一章 绪论 | 第11-19页 |
| 1.1 研究背景 | 第11-12页 |
| 1.2 研究现状 | 第12-16页 |
| 1.2.1 浮动车技术研究现状 | 第12-14页 |
| 1.2.2 短时交通预测研究现状 | 第14-15页 |
| 1.2.3 实时流计算研究现状 | 第15-16页 |
| 1.3 研究内容 | 第16-18页 |
| 1.4 论文结构 | 第18-19页 |
| 第二章 相关技术研究 | 第19-32页 |
| 2.1 基于轨迹数据的平均速度估计 | 第19-22页 |
| 2.1.1 基于轨迹数据的单车行程速度估计 | 第19-21页 |
| 2.1.2 基于轨迹数据的路段行程速度估计 | 第21-22页 |
| 2.2 基于数据挖掘的短时交通流状态预测 | 第22-26页 |
| 2.2.1 神经网络预测方法 | 第22-23页 |
| 2.2.2 支持向量机预测方法 | 第23-25页 |
| 2.2.3 非参数回归预测方法 | 第25-26页 |
| 2.2.4 分析比较 | 第26页 |
| 2.3 实时流计算系统 | 第26-31页 |
| 2.3.1 Facebook Puma实时批处理系统 | 第26-27页 |
| 2.3.2 Yahoo!S4分布式流计算系统 | 第27-29页 |
| 2.3.3 Twitter Storm分布式实时计算系统 | 第29-30页 |
| 2.3.4 分析比较 | 第30-31页 |
| 2.4 小结 | 第31-32页 |
| 第三章 基于GPS数据的交通速度估计方法 | 第32-44页 |
| 3.1 引言 | 第32页 |
| 3.2 基于条件约束、反向检查机制的实时地图匹配算法 | 第32-36页 |
| 3.2.1 道路查找优化 | 第32-34页 |
| 3.2.2 约束条件与反向检查机制 | 第34页 |
| 3.2.3 基于条件约束、反向检查机制的实时地图匹配 | 第34-36页 |
| 3.3 平均行程速度估计 | 第36-41页 |
| 3.3.1 有效GPS数据获取 | 第37-39页 |
| 3.3.2 改进的距离—时间单车速度计算方法 | 第39-40页 |
| 3.3.3 路段平均行程速度计算 | 第40-41页 |
| 3.4 实验结果与分析 | 第41-43页 |
| 3.5 小结 | 第43-44页 |
| 第四章 基于非参数回归的短时交通预测模型 | 第44-58页 |
| 4.1 引言 | 第44页 |
| 4.2 非参数回归模型预测原理及关键步骤 | 第44-45页 |
| 4.3 对非参数回归模型的设置和改进 | 第45-53页 |
| 4.3.1 K近邻搜索改进 | 第45-50页 |
| 4.3.2 历史样本数据库设置 | 第50-52页 |
| 4.3.3 预测函数与误差反馈 | 第52-53页 |
| 4.4 实验结果与分析 | 第53-56页 |
| 4.5 小结 | 第56-58页 |
| 第五章 基于流的交通速度估计及预测框架 | 第58-69页 |
| 5.1 引言 | 第58页 |
| 5.2 体系架构 | 第58-60页 |
| 5.3 基于Storm流计算平台的功能Topology设计与实现 | 第60-68页 |
| 5.3.1 交通速度估计Topology设计 | 第60-65页 |
| 5.3.2 短时交通预测Topology设计 | 第65-68页 |
| 5.4 小结 | 第68-69页 |
| 第六章 结论与展望 | 第69-70页 |
| 致谢 | 第70-71页 |
| 参考文献 | 第71-76页 |
| 作者在学期间取得的学术成果 | 第76页 |
