| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 第1章 绪论 | 第10-15页 |
| 1.1 研究背景 | 第10-11页 |
| 1.2 研究目标及意义 | 第11-12页 |
| 1.3 研究的主要内容和技术路线图 | 第12-14页 |
| 1.3.1 主要研究内容 | 第12页 |
| 1.3.2 研究技术路线图 | 第12-14页 |
| 1.4 本章小结 | 第14-15页 |
| 第2章 相关概念界定及国内外研究现状陈述 | 第15-26页 |
| 2.1 基本概念界定 | 第15-17页 |
| 2.1.1 交叉口信号控制参数 | 第15页 |
| 2.1.2 信号交叉口延误 | 第15-17页 |
| 2.2 交叉口延误参数获取方法研究现状 | 第17-21页 |
| 2.2.1 理论解析法 | 第17-19页 |
| 2.2.2 现场调查法 | 第19-20页 |
| 2.2.3 仿真法 | 第20页 |
| 2.2.4 研究评述 | 第20-21页 |
| 2.3 短时交通预测方法研究现状 | 第21-25页 |
| 2.3.1 基于解析数学模型的预测方法 | 第21-22页 |
| 2.3.2 基于智能模型的预测方法 | 第22-23页 |
| 2.3.3 基于混沌理论的预测方法 | 第23-24页 |
| 2.3.4 基于组合理论的预测方法 | 第24页 |
| 2.3.5 研究评述 | 第24-25页 |
| 2.4 本章小结 | 第25-26页 |
| 第3章 第一辆车辆到达时间的获取及影响因素分析 | 第26-47页 |
| 3.1 第一辆车辆到达时间提取及特征分析 | 第26-32页 |
| 3.1.1 第一辆车辆到达时间提取过程 | 第26-29页 |
| 3.1.2 第一辆车辆到达时间特征分析 | 第29-32页 |
| 3.2 延误影响因素分析 | 第32-33页 |
| 3.3.1 车辆到达分布类型 | 第32页 |
| 3.3.2 信号控制参数设置 | 第32页 |
| 3.3.3 道路通行能力 | 第32-33页 |
| 3.3.4 绿灯损失时间 | 第33页 |
| 3.3 第一辆车辆到达影响因素分析 | 第33-46页 |
| 3.3.1 正交试验设计 | 第33-40页 |
| 3.3.2 VISSIM仿真过程 | 第40-42页 |
| 3.3.3 仿真结果 | 第42-46页 |
| 3.4 本章小结 | 第46-47页 |
| 第4章 基于小波分析-Elman神经网络的第一辆车辆到达时间预测 | 第47-70页 |
| 4.1 预测理论基础 | 第47-58页 |
| 4.1.1 小波理论 | 第47-49页 |
| 4.1.2 Elman神经网络 | 第49-54页 |
| 4.1.3 混沌论 | 第54-58页 |
| 4.2 小波分析-Elman神经网络模型特点分析 | 第58-59页 |
| 4.2.1 小波分析方法的特点 | 第58页 |
| 4.2.2 小波分析-Elman神经网络模型特点 | 第58-59页 |
| 4.3 小波分析-Elman神经网络预测模型构建 | 第59-65页 |
| 4.3.1 详细预测模型的构建过程 | 第59-64页 |
| 4.3.2 预测流程 | 第64-65页 |
| 4.4 第一辆车辆到达时间预测 | 第65-69页 |
| 4.4.1 混沌性判断 | 第65-66页 |
| 4.4.2 数据预测 | 第66-68页 |
| 4.4.3 结果分析 | 第68-69页 |
| 4.5 本章小结 | 第69-70页 |
| 第5章 基于第一辆车辆到达的进口道延误提取模型 | 第70-87页 |
| 5.1 进口道延误提取模型构建 | 第70-78页 |
| 5.1.1 信号交叉口进口道延误调查方法选择 | 第70-74页 |
| 5.1.2 Webster延误提取模型推导过程 | 第74-76页 |
| 5.1.3 基于第一辆车辆到达的进口道延误推导过程 | 第76-78页 |
| 5.2 模型检验算例分析 | 第78-80页 |
| 5.3 模型应用实例 | 第80-86页 |
| 5.3.1 基于Webster配时方法的定时控制 | 第80-81页 |
| 5.3.2 基于论文模型实时信号控制 | 第81-84页 |
| 5.3.3 仿真结果分析 | 第84-86页 |
| 5.4 本章小结 | 第86-87页 |
| 第6章 结论与展望 | 第87-89页 |
| 6.1 结论 | 第87-88页 |
| 6.2 展望 | 第88-89页 |
| 致谢 | 第89-90页 |
| 参考文献 | 第90-96页 |
| 在学期间发表的论文和取得的学术成果 | 第96页 |