基于车路协同的驾驶行为判别方法研究
| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第1章 绪论 | 第11-18页 |
| 1.1 课题背景及研究的目的和意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-15页 |
| 1.2.1 车路协同技术综述 | 第12-13页 |
| 1.2.2 驾驶行为研究综述 | 第13-15页 |
| 1.3 本文研究内容与技术路线 | 第15-16页 |
| 1.3.1 主要研究内容 | 第15-16页 |
| 1.3.2 技术路线 | 第16页 |
| 1.4 论文结构安排 | 第16-18页 |
| 第2章 基于车路协同的交通事故预测框架设计 | 第18-28页 |
| 2.1 路网交通事故发生机理 | 第18-19页 |
| 2.2 路网交通事故影响因素分析 | 第19-24页 |
| 2.2.1 驾驶行为 | 第19-21页 |
| 2.2.2 车辆综合性能 | 第21-22页 |
| 2.2.3 交通流状态 | 第22-23页 |
| 2.2.4 路网环境 | 第23-24页 |
| 2.3 车辆行驶状态信息挖掘方法 | 第24-26页 |
| 2.3.1 原始数据准备 | 第24-25页 |
| 2.3.2 样本数据挖掘 | 第25页 |
| 2.3.3 模式评估与验证 | 第25-26页 |
| 2.4 交通事故预测物理结构框架 | 第26-27页 |
| 2.4.1 检测传感设备 | 第27页 |
| 2.4.2 数据处理中心 | 第27页 |
| 2.4.3 信息发布系统 | 第27页 |
| 2.5 本章小结 | 第27-28页 |
| 第3章 VISSIM仿真建模与数据预处理 | 第28-45页 |
| 3.1 微观交通仿真模型简介 | 第28-29页 |
| 3.1.1 交通仿真模型分类 | 第28-29页 |
| 3.1.2 常用微观交通仿真对比 | 第29页 |
| 3.2 VISSIM微观交通仿真建模 | 第29-40页 |
| 3.2.1 局部路网结构搭建 | 第30-32页 |
| 3.2.2 基本仿真参数确定 | 第32-36页 |
| 3.2.3 车辆行驶规则设置 | 第36-37页 |
| 3.2.4 仿真原始数据获取 | 第37-40页 |
| 3.3 原始数据预处理 | 第40-44页 |
| 3.3.1 数据预处理过程 | 第40-42页 |
| 3.3.2 数据预处理结果 | 第42-44页 |
| 3.4 本章小结 | 第44-45页 |
| 第4章 车辆行驶状态参数分析与求解 | 第45-63页 |
| 4.1 车辆行驶状态参数分析 | 第45-51页 |
| 4.1.1 行驶状态参数分类 | 第45-47页 |
| 4.1.2 线性二自由度汽车模型 | 第47-48页 |
| 4.1.3 横摆角速度与车辆操稳性 | 第48-50页 |
| 4.1.4 质心侧偏角与车辆操稳性 | 第50-51页 |
| 4.2 车辆行驶状态参数估计方法 | 第51-56页 |
| 4.2.1 横摆角速度估计方法 | 第51-53页 |
| 4.2.2 质心侧偏角估计方法 | 第53-56页 |
| 4.2.3 行驶状态参数估计方法总结 | 第56页 |
| 4.3 车辆行驶状态参数求解 | 第56-62页 |
| 4.3.1 车辆与大地坐标系转化 | 第56-57页 |
| 4.3.2 行驶状态参数推导过程 | 第57-59页 |
| 4.3.3 行驶状态参数求解结果 | 第59-62页 |
| 4.4 本章小结 | 第62-63页 |
| 第5章 基于BP网络的驾驶行为判别模型建立 | 第63-77页 |
| 5.1 神经网络基本理论 | 第63-65页 |
| 5.1.1 神经网络基础 | 第63-64页 |
| 5.1.2 典型神经网络模型 | 第64-65页 |
| 5.1.3 BP神经网络 | 第65页 |
| 5.2 BP神经网络结构设计 | 第65-73页 |
| 5.2.1 网络学习样本的确定 | 第65-70页 |
| 5.2.2 网络隐层结构的确定 | 第70-71页 |
| 5.2.3 网络传递函数的选取 | 第71-72页 |
| 5.2.4 网络训练函数的选取 | 第72-73页 |
| 5.3 BP网络判别模型验证与改进 | 第73-76页 |
| 5.3.1 BP模型验证结果与评价 | 第74页 |
| 5.3.2 BP模型改进结果与评价 | 第74-76页 |
| 5.4 本章小结 | 第76-77页 |
| 结论 | 第77-78页 |
| 参考文献 | 第78-82页 |
| 攻读硕士学位期间承担的科研任务与主要成果 | 第82-83页 |
| 致谢 | 第83页 |
