| 致谢 | 第1-6页 |
| 中文摘要 | 第6-7页 |
| ABSTRACT | 第7-11页 |
| 1 绪论 | 第11-18页 |
| ·课题来源 | 第11页 |
| ·交通状态分析与预测的必要性 | 第11-12页 |
| ·交通状态分析研究现状 | 第12-13页 |
| ·基于道路服务水平的交通状态分析研究 | 第13-16页 |
| ·论文研究的思路和结构安排 | 第16-18页 |
| 2 交通预测方法概述 | 第18-24页 |
| ·定性预测方法介绍 | 第18-19页 |
| ·定量预测方法介绍 | 第19-22页 |
| ·历史趋势方法 | 第19页 |
| ·指数平滑法 | 第19页 |
| ·自回归综合滑动平均模型 | 第19-20页 |
| ·自适应权重模型 | 第20页 |
| ·Kalman滤波模型 | 第20-21页 |
| ·状态空间重构模型 | 第21页 |
| ·神经网络模型 | 第21-22页 |
| ·非参数回归模型 | 第22页 |
| ·本章小结 | 第22-24页 |
| 3 道路交通状态信息采集与数据特性分析 | 第24-35页 |
| ·交通状态信息的采集 | 第24-25页 |
| ·数据的预处理 | 第25-27页 |
| ·数据融合 | 第25-26页 |
| ·缺失数据处理 | 第26-27页 |
| ·数据特性分析 | 第27-34页 |
| ·时间分布性分析 | 第27-32页 |
| ·空间分布性分析 | 第32-34页 |
| ·宏观交通状态数据分析 | 第34页 |
| ·本章小结 | 第34-35页 |
| 4 基于分模态的ARIMA道路交通状态间接预测方法的研究 | 第35-46页 |
| ·时间序列模型介绍 | 第35-36页 |
| ·时间序列建模方法步骤 | 第36-37页 |
| ·基于分模态ARIMA交通状态间接预测的应用 | 第37-45页 |
| ·方法介绍 | 第37-40页 |
| ·实验分析 | 第40-45页 |
| ·本章小结 | 第45-46页 |
| 5 基于分模态的最大熵道路交通状态直接预测方法的研究 | 第46-62页 |
| ·最大熵模型介绍 | 第46-49页 |
| ·最大熵模型的基本原理 | 第46-47页 |
| ·模型选择算法 | 第47-49页 |
| ·基于时空特征的最大熵交通状态直接预测方法 | 第49-53页 |
| ·基本思想 | 第49-50页 |
| ·方法步骤 | 第50-52页 |
| ·实验分析 | 第52-53页 |
| ·分模态的最大熵道路交通状态直接预测方法 | 第53-61页 |
| ·概述 | 第53-54页 |
| ·交通模态的划分 | 第54-55页 |
| ·引入宏观交通状态特征 | 第55-56页 |
| ·引入空间连通矩阵S~(ri) | 第56-59页 |
| ·实验分析 | 第59-61页 |
| ·本章小结 | 第61-62页 |
| 6 结论及展望 | 第62-64页 |
| ·论文工作总结 | 第62页 |
| ·不足与展望 | 第62-64页 |
| 参考文献 | 第64-68页 |
| 学位论文数据集 | 第68页 |