基于GPS数据的短时交通状态预测识别研究
| 摘要 | 第3-4页 |
| Abstract | 第4页 |
| 第一章 绪论 | 第8-14页 |
| 1.1 研究背景及意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-12页 |
| 1.2.1 交通流预测模型研究 | 第9-11页 |
| 1.2.2 交通状态预测 | 第11-12页 |
| 1.3 课题主要研究内容 | 第12-13页 |
| 1.4 技术路线 | 第13-14页 |
| 第二章 公交GPS数据预处理 | 第14-22页 |
| 2.1 公交GPS数据的获取 | 第14-15页 |
| 2.1.1 GPS数据的采集方式 | 第14-15页 |
| 2.1.2 公交车GPS数据来源 | 第15页 |
| 2.2 公交GPS数据分析 | 第15-17页 |
| 2.2.1 公交GPS数据特点 | 第15-16页 |
| 2.2.2 公交GPS数据提取 | 第16-17页 |
| 2.3 公交GPS数据整合与清理 | 第17-20页 |
| 2.3.1 公交停站数据 | 第17-18页 |
| 2.3.2 缺失信息数据 | 第18-19页 |
| 2.3.3 异常数据 | 第19页 |
| 2.3.4 数据噪声 | 第19-20页 |
| 2.4 基于公交GPS数据的可行性与优点 | 第20-21页 |
| 2.4.1 公交GPS数据的可行性 | 第20页 |
| 2.4.2 公交GPS数据的优点 | 第20-21页 |
| 2.5 本章小结 | 第21-22页 |
| 第三章 交通流参数研究 | 第22-33页 |
| 3.1 交通流参数的选取 | 第22-25页 |
| 3.1.1 交通流参数分析 | 第22-24页 |
| 3.1.2 交通流参数关系分析 | 第24-25页 |
| 3.2 速度曲线特性分析 | 第25-29页 |
| 3.2.1 研究路段和时段的选取 | 第25-26页 |
| 3.2.2 绘制路程-速度曲线 | 第26-29页 |
| 3.3 速度曲线特征参数选取 | 第29-32页 |
| 3.3.1 速度曲线参数分析 | 第29-30页 |
| 3.3.2 特征参数验证 | 第30-32页 |
| 3.4 本章小结 | 第32-33页 |
| 第四章 交通状态识别方法研究 | 第33-44页 |
| 4.1 交通状态判别标准 | 第33-35页 |
| 4.1.1 国内外交通状态判别标准 | 第33-34页 |
| 4.1.2 其他交通状态判别标准 | 第34-35页 |
| 4.1.3 交通状态判别标准的确立 | 第35页 |
| 4.2 模糊C均值聚类 | 第35-38页 |
| 4.3 基于FCM算法的交通状态判别模型构建 | 第38-41页 |
| 4.3.1 仿真数据 | 第38-39页 |
| 4.3.2 FCM算法步骤 | 第39-41页 |
| 4.4 分类结果分析 | 第41-42页 |
| 4.5 分类结果验证 | 第42-43页 |
| 4.6 本章小结 | 第43-44页 |
| 第五章 短时交通流预测方法研究 | 第44-55页 |
| 5.1 交通流特性分析 | 第44-45页 |
| 5.1.1 交通流介绍 | 第44页 |
| 5.1.2 交通流预测模型选取 | 第44-45页 |
| 5.2 长短期记忆神经网络 | 第45-47页 |
| 5.2.1 循环神经网络 | 第45-46页 |
| 5.2.2 长短期记忆神经网络 | 第46-47页 |
| 5.3 短时交通流预测仿真 | 第47-52页 |
| 5.3.1 预测方式及评价指标 | 第47-48页 |
| 5.3.2 基于交通流准周期特性的训练方式 | 第48-49页 |
| 5.3.3 基于交通流平滑变化特性的训练方式 | 第49-50页 |
| 5.3.4 基于组合训练方式的交通流预测方法 | 第50-52页 |
| 5.4 基于支持向量回归机的交通流预测 | 第52-54页 |
| 5.4.1 支持向量回归机基本理论 | 第52页 |
| 5.4.2 基于SVR的交通流预测仿真 | 第52-53页 |
| 5.4.3 结果分析 | 第53-54页 |
| 5.5 本章小结 | 第54-55页 |
| 总结与展望 | 第55-56页 |
| 参考文献 | 第56-60页 |
| 致谢 | 第60-61页 |
| 攻读学位期间发表的学术论文 | 第61-62页 |
| 附录A 公交GPS数据列表 | 第62-67页 |
