| 摘要 | 第5-7页 |
| ABSTRACT | 第7-9页 |
| 第一章 绪论 | 第17-40页 |
| 1.1 研究背景 | 第17-26页 |
| 1.1.1 城市交通拥堵问题 | 第17页 |
| 1.1.2 智能交通系统的发展历程 | 第17-19页 |
| 1.1.3 智能交通系统的建设与应用 | 第19-22页 |
| 1.1.4 交通流采集和交通事件检测系统 | 第22-23页 |
| 1.1.5 新型电子警察系统 | 第23-24页 |
| 1.1.6 交通控制和诱导系统 | 第24-26页 |
| 1.2 工程应用研究中存在的问题 | 第26-28页 |
| 1.3 交通预测模型概述 | 第28-32页 |
| 1.3.1 基于统计理论的模型 | 第28-30页 |
| 1.3.2 基于非线性预测理论的模型 | 第30页 |
| 1.3.3 基于神经网络理论的模型 | 第30-31页 |
| 1.3.4 基于动态分配理论的模型 | 第31页 |
| 1.3.5 基于微观交通仿真的模型 | 第31-32页 |
| 1.4 交通控制与诱导协同概述 | 第32-35页 |
| 1.4.1 国外的研究状况 | 第32-33页 |
| 1.4.2 国内的研究状况 | 第33-35页 |
| 1.5 主要研究内容及创新点 | 第35-36页 |
| 1.6 论文结构 | 第36-40页 |
| 第二章 交通流预测的数据基础 | 第40-60页 |
| 2.1 引言 | 第40页 |
| 2.2 交通流数据采集 | 第40-45页 |
| 2.2.1 交通流的基本参数 | 第40-41页 |
| 2.2.2 交通流预测建模的基本流程及特点 | 第41-43页 |
| 2.2.3 交通流数据的采集技术 | 第43-45页 |
| 2.3 交通流数据预处理 | 第45-55页 |
| 2.3.1 交通流数据库体系 | 第45-46页 |
| 2.3.2 主要的数据质量问题 | 第46-47页 |
| 2.3.3 错误数据的判别和修正方法 | 第47-49页 |
| 2.3.4 丢失数据补齐方法 | 第49-52页 |
| 2.3.5 数据补齐的工程方法 | 第52-53页 |
| 2.3.6 交通流冗余数据约简方法 | 第53-55页 |
| 2.4 应用实例 | 第55-59页 |
| 2.4.1 交通流检测系统 | 第55页 |
| 2.4.2 交通流数据预处理 | 第55-56页 |
| 2.4.3 交通流数据库 | 第56-59页 |
| 2.5 本章小结 | 第59-60页 |
| 第三章 交通事件检测方法研究 | 第60-84页 |
| 3.1 引言 | 第60页 |
| 3.2 交通事件检测方法综述 | 第60-67页 |
| 3.2.1 交通事件检测方法分类及主要指标 | 第60-62页 |
| 3.2.2 基于交通流变化的事件检测方法综述 | 第62-65页 |
| 3.2.3 基于图像的交通事件检测方法综述 | 第65-67页 |
| 3.3 基于图像的交通事件检测算法应用 | 第67-73页 |
| 3.3.1 流程概述 | 第67-68页 |
| 3.3.2 背景识别 | 第68页 |
| 3.3.3 目标识别 | 第68-70页 |
| 3.3.4 目标跟踪 | 第70-71页 |
| 3.3.5 行为理解与识别 | 第71-73页 |
| 3.4 应用实例 | 第73-83页 |
| 3.4.1 基于交通流数据分析的交通事件检测子系统 | 第73-77页 |
| 3.4.2 基于视频图像的交通事件检测子系统 | 第77-83页 |
| 3.5 本章小结 | 第83-84页 |
| 第四章 基于向量机的交通预测模型研究 | 第84-104页 |
| 4.1 引言 | 第84-85页 |
| 4.2 支持向量机 | 第85-87页 |
| 4.2.1 最优超平面 | 第85-86页 |
| 4.2.2 松弛变量 | 第86-87页 |
| 4.3 建模过程 | 第87-91页 |
| 4.3.1 ε-支持向量机回归 | 第87-88页 |
| 4.3.2 核函数的选择 | 第88-90页 |
| 4.3.3 建模流程 | 第90-91页 |
| 4.4 实例验证 | 第91-94页 |
| 4.4.1 数据来源和计算结果 | 第91页 |
| 4.4.2 效果分析 | 第91-94页 |
| 4.5 基于粒子群的参数优化 | 第94-99页 |
| 4.5.1 改进的粒子群参数优化算法 | 第95-96页 |
| 4.5.2 实验例证 | 第96-99页 |
| 4.6 应用实例 | 第99-102页 |
| 4.7 本章小结 | 第102-104页 |
| 第五章 融合交通动态的交通控制与诱导协同模型 | 第104-133页 |
| 5.1 引言 | 第104页 |
| 5.2 协同模型和信息融合概述 | 第104-109页 |
| 5.2.1 交通控制与诱导协同 | 第104-106页 |
| 5.2.2 交通信息融合技术 | 第106-109页 |
| 5.3 模型建立与改进 | 第109-119页 |
| 5.3.1 基于神经网络的交通控制与诱导协同模型 | 第109-115页 |
| 5.3.2 引入交通流预测的改进模型 | 第115-117页 |
| 5.3.3 考虑交通突变的改进模型 | 第117-119页 |
| 5.4 模型仿真验证 | 第119-131页 |
| 5.4.1 仿真场景 | 第119-122页 |
| 5.4.2 模型训练 | 第122-126页 |
| 5.4.3 仿真结果分析 | 第126-131页 |
| 5.5 本章小结 | 第131-133页 |
| 第六章 交通指挥、控制与诱导系统 | 第133-140页 |
| 6.1 概述 | 第133-134页 |
| 6.2 交通流采集系统与交通事件检测系统 | 第134-135页 |
| 6.3 交通控制系统与交通诱导系统 | 第135-137页 |
| 6.4 新一代的智能化交通指挥系统 | 第137-139页 |
| 6.5 本章小结 | 第139-140页 |
| 第七章 总结和展望 | 第140-143页 |
| 7.1 总结 | 第140-142页 |
| 7.2 展望 | 第142-143页 |
| 参考文献 | 第143-150页 |
| 攻博期间发表的论文及参与的课题研究 | 第150-153页 |
| 致谢 | 第153-155页 |
| 附件 | 第155页 |