| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 第1章 绪论 | 第9-16页 |
| 1.1 研究背景及意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-13页 |
| 1.3 研究内容 | 第13-14页 |
| 1.4 论文组织与结构 | 第14-16页 |
| 第2章 基础理论与技术 | 第16-27页 |
| 2.1 浮动车技术 | 第16-19页 |
| 2.1.1 浮动车技术综述 | 第16-17页 |
| 2.1.2 浮动车数据特征 | 第17页 |
| 2.1.3 浮动车数据的预处理方法研究 | 第17-19页 |
| 2.2 交通流预测模型概述 | 第19-21页 |
| 2.3 BP神经网络及城市道路速度预测 | 第21-23页 |
| 2.4 粒子群算法 | 第23页 |
| 2.5 遗传算法 | 第23-24页 |
| 2.6 交通流特征参数 | 第24-25页 |
| 2.7 交通状态分类及特性 | 第25-26页 |
| 2.8 本章小结 | 第26-27页 |
| 第3章 城市道路交通状态预测模型研究 | 第27-40页 |
| 3.1 基于改进粒子群算法的BP神经网络 | 第27-36页 |
| 3.1.1 粒子群算法的改进 | 第27-31页 |
| 3.1.2 粒子群算法与BP神经网络 | 第31-32页 |
| 3.1.3 BP神经网络的权值矩阵和阈值优化 | 第32页 |
| 3.1.4 基于改进粒子群算法的BP神经网络优化算法 | 第32-35页 |
| 3.1.5 改进BP神经网络算法的性能验证 | 第35页 |
| 3.1.6 BP神经网络拓扑结构 | 第35-36页 |
| 3.2 基于模糊C均值聚类的城市交通状态判别 | 第36-38页 |
| 3.2.1 硬聚类算法与模糊聚类算法 | 第36-37页 |
| 3.2.2 基于模糊C均值聚类的交通状态聚类研究 | 第37-38页 |
| 3.2.3 基于模糊C均值聚类的城市交通状态预测 | 第38页 |
| 3.3 城市道路交通状态预测模型算法 | 第38-39页 |
| 3.4 本章小结 | 第39-40页 |
| 第4章 城市道路交通状态预测应用研究 | 第40-57页 |
| 4.1 浮动车数据预处理 | 第40-44页 |
| 4.1.1 数据选择 | 第40-41页 |
| 4.1.2 浮动车原始数据 | 第41-42页 |
| 4.1.3 数据初步筛除 | 第42页 |
| 4.1.4 基于K-Means聚类算法的数据补缺Matlab仿真实验 | 第42-44页 |
| 4.2 预测速度模型评价指标 | 第44-45页 |
| 4.3 城市道路速度预测模型建立及验证 | 第45-51页 |
| 4.3.1 城市道路速度预测模型建立 | 第45-47页 |
| 4.3.2 预测结果 | 第47-48页 |
| 4.3.3 结果分析 | 第48-49页 |
| 4.3.4 模型对比 | 第49-51页 |
| 4.4 交通状态预测验证 | 第51-52页 |
| 4.4.1 城市交通状态聚类 | 第51-52页 |
| 4.4.2 城市交通状态预测验证 | 第52页 |
| 4.5 案例应用 | 第52-55页 |
| 4.5.1 五一路案例应用 | 第53页 |
| 4.5.2 中山路案例应用 | 第53-55页 |
| 4.6 本章小结 | 第55-57页 |
| 第5章 总结与展望 | 第57-59页 |
| 5.1 论文工作总结 | 第57-58页 |
| 5.2 未来的研究工作 | 第58-59页 |
| 参考文献 | 第59-63页 |
| 致谢 | 第63页 |