| 摘要 | 第4-5页 |
| ABSTRACT | 第5页 |
| 第一章 绪论 | 第8-14页 |
| 1.1 研究背景与意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-11页 |
| 1.3 主要内容与结构安排 | 第11-14页 |
| 第二章 高速公路基本路段交通状态表征参数及划分标准分析 | 第14-25页 |
| 2.1 高速公路基本路段交通状态描述 | 第14-15页 |
| 2.2 高速公路基本路段动态交通流参数分析 | 第15-22页 |
| 2.2.1 交通流特征参数 | 第15-16页 |
| 2.2.2 交通流参数与交通状态的关系 | 第16-18页 |
| 2.2.3 交通流运行特性分析 | 第18-21页 |
| 2.2.4 交通流拥挤特性分析 | 第21-22页 |
| 2.4 高速公路基本路段交通状态分类标准分析 | 第22-24页 |
| 2.4.1 交通状态划分标准 | 第22-23页 |
| 2.4.2 基于模糊聚类的交通状态度量标准 | 第23-24页 |
| 2.5 本章小结 | 第24-25页 |
| 第三章 高速公路基本路段交通状态模糊判别方法研究 | 第25-38页 |
| 3.1 概述 | 第25-26页 |
| 3.2 基于模糊聚类的交通状态的判别 | 第26-32页 |
| 3.2.1 交通状态模糊聚类 | 第26-28页 |
| 3.2.2 交通状态分类FCM算法流程分析 | 第28-30页 |
| 3.2.3 交通状态模糊聚类判别方法存在的问题 | 第30-32页 |
| 3.3 基于遗传算法的初始聚类中心选取 | 第32-37页 |
| 3.3.1 遗传算法概述 | 第32-34页 |
| 3.3.2 基于GA的FCM初始聚类中心的选择 | 第34-36页 |
| 3.3.3 FCM与GA-FCM比较分析 | 第36-37页 |
| 3.4 本章小结 | 第37-38页 |
| 第四章 交通状态判别决策分析模型研究 | 第38-54页 |
| 4.1 基于支持向量机的交通状态判别模型的实现 | 第38-44页 |
| 4.1.1 支持向量机理论 | 第38-42页 |
| 4.1.2 支持向量机分类原理 | 第42-43页 |
| 4.1.3 支持向量机的参数选择 | 第43-44页 |
| 4.2 基于核极限学习机的交通状态分类模型的实现 | 第44-51页 |
| 4.2.1 核极限学习机理论 | 第45-49页 |
| 4.2.2 核极限学习机分类原理 | 第49-50页 |
| 4.2.3 SVM与KELM对比分析 | 第50-51页 |
| 4.3 基于GA-FCM与KELM的交通状态判别方法 | 第51-53页 |
| 4.4 本章小结 | 第53-54页 |
| 第五章 交通状态判别方法应用研究 | 第54-66页 |
| 5.1 数据选取与预处理 | 第54-55页 |
| 5.1.1 数据来源 | 第54页 |
| 5.1.2 数据预处理 | 第54-55页 |
| 5.1.3 仿真平台 | 第55页 |
| 5.2 交通状态聚类分析 | 第55-61页 |
| 5.2.1 FCM与GA-FCM算法对比分析 | 第55-59页 |
| 5.2.2 结果可靠性分析 | 第59-61页 |
| 5.3 交通状态决策模型判别分析 | 第61-65页 |
| 5.4 本章小结 | 第65-66页 |
| 结论 | 第66-68页 |
| 参考文献 | 第68-72页 |
| 攻读学位期间取得的研究成果 | 第72-73页 |
| 致谢 | 第73页 |