滤波方法在交通状态估计中的应用研究
| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 1 引言 | 第10-19页 |
| 1.1 交通状态估计的研究意义 | 第10-11页 |
| 1.2 智能交通系统的研究内容 | 第11-13页 |
| 1.3 国内外研究现状 | 第13-15页 |
| 1.3.1 交通状态估计的研究发展 | 第13-14页 |
| 1.3.2 基于滤波算法的交通状态估计 | 第14-15页 |
| 1.4 研究内容 | 第15-17页 |
| 1.5 本文的内容安排 | 第17-19页 |
| 2 交通流模型及预测方法 | 第19-31页 |
| 2.1 动态交通流模型简介 | 第19-25页 |
| 2.1.1 跟驰理论模型 | 第20-21页 |
| 2.1.2 流体动力学模型 | 第21-22页 |
| 2.1.3 元胞自动机模型 | 第22-23页 |
| 2.1.4 二阶宏观随机交通流模型 | 第23-25页 |
| 2.2 预测方法 | 第25-30页 |
| 2.2.1 时间序列预测 | 第27-28页 |
| 2.2.2 多元线性回归 | 第28页 |
| 2.2.3 灰色理论 | 第28页 |
| 2.2.4 卡尔曼滤波 | 第28-30页 |
| 2.3 本章小结 | 第30-31页 |
| 3 滤波方法论述 | 第31-47页 |
| 3.1 粒子滤波方法 | 第32-38页 |
| 3.1.1 贝叶斯估计 | 第32-34页 |
| 3.1.2 蒙特卡罗方法 | 第34-35页 |
| 3.1.3 基本粒子滤波算法 | 第35-37页 |
| 3.1.4 重采样算法 | 第37-38页 |
| 3.2 结合粒子群优化的粒子滤波 | 第38-43页 |
| 3.2.1 粒子群优化算法 | 第38-41页 |
| 3.2.2 粒子群优化应用于粒子滤波 | 第41-43页 |
| 3.3 Shadowing Filter方法 | 第43-46页 |
| 3.4 本章小结 | 第46-47页 |
| 4 滤波方法在交通估计中的应用 | 第47-55页 |
| 4.1 交通状态估计模型建立 | 第47-49页 |
| 4.1.1 城市快速路特点 | 第47-48页 |
| 4.1.2 城市快速路交通数据采集与预处理 | 第48页 |
| 4.1.3 城市快速路交通流模型 | 第48-49页 |
| 4.2 数值实验及结果分析 | 第49-54页 |
| 4.2.1 PSOPF与PF实验对比 | 第50-53页 |
| 4.2.2 SF与PSOPF实验对比 | 第53-54页 |
| 4.3 本章小结 | 第54-55页 |
| 5 总结与讨论 | 第55-57页 |
| 5.1 本文工作的主要内容 | 第55页 |
| 5.2 下一步的工作 | 第55-57页 |
| 参考文献 | 第57-61页 |
| 致谢 | 第61-62页 |
| 个人简历 | 第62页 |
| 发表的学术论文 | 第62页 |
