| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 第一章 绪论 | 第9-17页 |
| 1.1 研究背景 | 第9页 |
| 1.2 研究意义 | 第9-10页 |
| 1.3 研究现状 | 第10-14页 |
| 1.3.1 交通检测数据预处理的研究现状 | 第10-12页 |
| 1.3.2 交通状态判别方法的研究现状 | 第12-14页 |
| 1.4 研究内容及结构安排 | 第14-15页 |
| 1.5 本章小结 | 第15-17页 |
| 第二章 交通状态判别指标 | 第17-25页 |
| 2.1 交通信息采集技术 | 第17-20页 |
| 2.1.1 移动检测技术 | 第17-18页 |
| 2.1.2 固定检测器采集技术 | 第18-20页 |
| 2.2 交通参数分析 | 第20-21页 |
| 2.3 交通参数的选择原则 | 第21-22页 |
| 2.4 路网交通状态评价指标的确定 | 第22-24页 |
| 2.5 本章小结 | 第24-25页 |
| 第三章 多源交通信息数据处理 | 第25-49页 |
| 3.1 基于浮动车的交通流数据预处理 | 第25-28页 |
| 3.1.1 浮动车数据漂移处理 | 第25-27页 |
| 3.1.2 浮动车数据冗余处理 | 第27-28页 |
| 3.2 基于固定检测器的交通流数据处理 | 第28-39页 |
| 3.2.1 固定检测器故障数据分析 | 第28-30页 |
| 3.2.2 基于灰色理论与支持向量机的数据修复模型 | 第30-35页 |
| 3.2.3 实例验证 | 第35-39页 |
| 3.3 多源交通数据的融合处理 | 第39-48页 |
| 3.3.1 采集数据的时空特征分析 | 第39-40页 |
| 3.3.2 采集数据的时空匹配 | 第40-41页 |
| 3.3.3 基于遗传小波神经网络的多源交通数据融合模型 | 第41-44页 |
| 3.3.4 实例验证 | 第44-48页 |
| 3.4 本章小结 | 第48-49页 |
| 第四章 道路交通状态判别方法 | 第49-67页 |
| 4.1 交通状态的度量标准 | 第49-51页 |
| 4.1.1 国内交通状态度量标准相关研究 | 第49-50页 |
| 4.1.2 国外交通状态度量标准相关研究 | 第50-51页 |
| 4.2 基于粗糙集-模糊聚类的路段交通状态判别模型 | 第51-56页 |
| 4.2.1 模糊聚类算法原理 | 第52-53页 |
| 4.2.2 粗糙集的知识表达 | 第53-54页 |
| 4.2.3 判别模型建立 | 第54-56页 |
| 4.3 基于模糊综合评价的路网交通状态判别模型 | 第56-65页 |
| 4.3.1 城市路网交通状态特性复杂性分析 | 第56-57页 |
| 4.3.2 道路交通状态评价指标体系建立 | 第57页 |
| 4.3.3 基于层次分析法-熵权法的权重优化模型 | 第57-62页 |
| 4.3.4 综合判别模型建立 | 第62-65页 |
| 4.4 本章小结 | 第65-67页 |
| 第五章 案例分析 | 第67-83页 |
| 5.1 数据来源 | 第67-68页 |
| 5.1.1 路网拓扑结构 | 第67页 |
| 5.1.2 案例交通数据 | 第67-68页 |
| 5.2 路段交通状态判别模型计算 | 第68-73页 |
| 5.2.1 基于RS-FCM的路段交通状态判别模型计算结果 | 第68-72页 |
| 5.2.2 模型结果检验 | 第72-73页 |
| 5.3 基于模糊综合评价的道路交通状态判别模型计算 | 第73-82页 |
| 5.3.1 指标权重优化 | 第73-75页 |
| 5.3.2 路段交通状态模糊综合评价 | 第75-80页 |
| 5.3.3 路网交通状态判别结果 | 第80-82页 |
| 5.4 本章小结 | 第82-83页 |
| 第六章 总结与展望 | 第83-85页 |
| 6.1 论文总结 | 第83-84页 |
| 6.2 论文展望 | 第84-85页 |
| 致谢 | 第85-87页 |
| 参考文献 | 第87-93页 |
| 攻读学位期间发表的论著及参与的科研项目 | 第93页 |
