| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第9-21页 |
| 1.1 研究背景及研究意义 | 第9-11页 |
| 1.1.1 研究背景 | 第9-11页 |
| 1.1.2 研究意义 | 第11页 |
| 1.2 国内外研究现状总结 | 第11-17页 |
| 1.2.1 路段行程时间估计研究现状 | 第11-14页 |
| 1.2.2 路段行程时间预测研究现状 | 第14-16页 |
| 1.2.3 云计算在交通领域的研究现状 | 第16-17页 |
| 1.3 研究思路及章节安排 | 第17-19页 |
| 1.3.1 研究思路 | 第17-18页 |
| 1.3.2 章节安排 | 第18-19页 |
| 1.4 本章小结 | 第19-21页 |
| 第2章 云环境下的路段行程时间获取系统框架研究 | 第21-31页 |
| 2.1 概述 | 第21-22页 |
| 2.2 云环境的核心技术概述 | 第22-26页 |
| 2.3 云环境下的浮动车数据采集系统 | 第26-28页 |
| 2.4 云环境下的路段行程时间获取系统框架 | 第28-30页 |
| 2.5 本章小结 | 第30-31页 |
| 第3章 云环境下的路段行程时间估计技术研究 | 第31-51页 |
| 3.1 概述 | 第31页 |
| 3.2 瞬时速度-时间积分原理 | 第31-33页 |
| 3.3 基于MapReduce的行程时间估计算法 | 第33-38页 |
| 3.4 实验与分析 | 第38-49页 |
| 3.4.1 实验平台搭建 | 第39-43页 |
| 3.4.2 行程时间估计算法验证 | 第43-47页 |
| 3.4.3 估计算法性能分析 | 第47-49页 |
| 3.5 本章小结 | 第49-51页 |
| 第4章 基于PSO-LSSVM的行程时间预测技术研究 | 第51-65页 |
| 4.1 概述 | 第51页 |
| 4.2 支持向量机原理及粒子群优化算法 | 第51-54页 |
| 4.3 Spark框架下的PSO-LSSVM算法 | 第54-58页 |
| 4.3.1 改进的并行化PSO算法 | 第54-55页 |
| 4.3.2 PSO-LSSVM优化算法 | 第55-56页 |
| 4.3.3 Spark框架下的PSO-LSSVM算法 | 第56-58页 |
| 4.4 实验与分析 | 第58-63页 |
| 4.4.1 行程时间预测算法验证 | 第58-62页 |
| 4.4.2 预测算法性能分析 | 第62-63页 |
| 4.5 本章小结 | 第63-65页 |
| 第5章 总结与展望 | 第65-67页 |
| 5.1 论文总结 | 第65页 |
| 5.2 论文工作展望 | 第65-67页 |
| 参考文献 | 第67-73页 |
| 作者简介、科研及其他成果 | 第73-74页 |
| 致谢 | 第74页 |