基于出租车GPS数据的区域路网交通流状态演化识别方法研究
| 摘要 | 第4-6页 |
| abstract | 第6-7页 |
| 第一章 绪论 | 第10-20页 |
| 1.1 研究背景及意义 | 第10-12页 |
| 1.2 国内外研究综述 | 第12-17页 |
| 1.2.1 交通流状态识别方法研究 | 第12-15页 |
| 1.2.2 交通流状态演化规律研究 | 第15-17页 |
| 1.3 研究内容与技术路线 | 第17-20页 |
| 1.3.1 研究内容 | 第17-18页 |
| 1.3.2 论文结构 | 第18页 |
| 1.3.3 技术路线 | 第18-20页 |
| 第二章 交通参数估计方法 | 第20-36页 |
| 2.1 GPS浮动车数据采集方法 | 第20-21页 |
| 2.2 数据预处理 | 第21-27页 |
| 2.2.1 原始数据获取 | 第21-24页 |
| 2.2.2 出租车GPS数据预处理 | 第24-27页 |
| 2.3 地图匹配 | 第27-30页 |
| 2.3.1 基本原理 | 第27-28页 |
| 2.3.2 坐标转换 | 第28-29页 |
| 2.3.3 地图匹配方法 | 第29-30页 |
| 2.4 交通参数估计 | 第30-34页 |
| 2.4.1 路段平均行程速度估计模型 | 第30-32页 |
| 2.4.2 路段平均行程延误估计模型 | 第32-33页 |
| 2.4.3 交叉口平均行程延误估计模型 | 第33-34页 |
| 2.5 本章小结 | 第34-36页 |
| 第三章 基于SVM的交通流状态识别方法 | 第36-48页 |
| 3.1 交通流状态划分 | 第36-38页 |
| 3.2 交通流状态识别方法 | 第38-47页 |
| 3.2.1 SVM算法概述 | 第38-39页 |
| 3.2.2 二分类SVM算法 | 第39-43页 |
| 3.2.3 二叉树多分类算法 | 第43-45页 |
| 3.2.4 核函数 | 第45-46页 |
| 3.2.5 交通流状态识别模型的训练及评价 | 第46页 |
| 3.2.6 基于SVM的交通流状态识别流程 | 第46-47页 |
| 3.3 本章小结 | 第47-48页 |
| 第四章 交通流状态演化特性分析 | 第48-57页 |
| 4.1 交通流状态迁移网络模型 | 第48-50页 |
| 4.2 交通流状态演化特性分析 | 第50-56页 |
| 4.2.1 交通流状态稳定性 | 第51-52页 |
| 4.2.2 交通流状态偏好性 | 第52-53页 |
| 4.2.3 交通流状态活跃性 | 第53-54页 |
| 4.2.4 交通流状态活跃时间 | 第54页 |
| 4.2.5 交通流状态跳跃迁移 | 第54-55页 |
| 4.2.6 区域堵塞路段重叠率 | 第55-56页 |
| 4.3 本章小结 | 第56-57页 |
| 第五章 实例分析 | 第57-73页 |
| 5.1 实验路网 | 第57-58页 |
| 5.2 实验数据 | 第58-60页 |
| 5.3 实验分析 | 第60-71页 |
| 5.3.1 基于SVM的交通流状态识别 | 第60-63页 |
| 5.3.2 交通流状态迁移网络 | 第63-66页 |
| 5.3.3 交通流状态演化特性 | 第66-71页 |
| 5.4 本章小结 | 第71-73页 |
| 结论与展望 | 第73-75页 |
| 主要研究成果 | 第73-74页 |
| 研究展望 | 第74-75页 |
| 参考文献 | 第75-80页 |
| 附录 | 第80-82页 |
| 攻读硕士学位期间取得的研究成果 | 第82-83页 |
| 致谢 | 第83页 |
