| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7-8页 |
| 1 引言 | 第11-19页 |
| 1.1 研究背景及意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-16页 |
| 1.2.1 国外研究现状 | 第12-14页 |
| 1.2.2 国内研究现状 | 第14-16页 |
| 1.3 主要研究内容 | 第16-17页 |
| 1.4 论文结构 | 第17-19页 |
| 2 可靠性模型介绍 | 第19-31页 |
| 2.1 TTB模型 | 第19-23页 |
| 2.2 METT模型 | 第23-27页 |
| 2.3 MMD模型 | 第27-30页 |
| 2.4 本章小结 | 第30-31页 |
| 3 模型对比分析 | 第31-41页 |
| 3.1 优势条件 | 第31-34页 |
| 3.1.1 一阶随机优势条件(FSD) | 第32页 |
| 3.1.2 均值-方差优势条件(M-V dominance) | 第32-33页 |
| 3.1.3 均值-预算出行时间的优势条件(M-B dominance) | 第33-34页 |
| 3.2 先入先出准则 | 第34-37页 |
| 3.2.1 传统的先入先出 | 第34-35页 |
| 3.2.2 随机先入先出 | 第35-37页 |
| 3.3 算法分析与对比 | 第37-40页 |
| 3.3.1 高延迟路网中算法的无效性 | 第37-39页 |
| 3.3.2 两类模型比较分析 | 第39-40页 |
| 3.4 本章小结 | 第40-41页 |
| 4 启发式算法改进 | 第41-53页 |
| 4.1 多准则A~*算法的改进方式 | 第41-46页 |
| 4.1.1 基于欧氏距离的启发式定义(SL) | 第42-43页 |
| 4.1.2 避免拥堵下的启发式定义(AC) | 第43-44页 |
| 4.1.3 最短历史出行时间下的启发式定义(HMT) | 第44页 |
| 4.1.4 躲避交叉口的启发式定义(AI) | 第44-46页 |
| 4.2 SIOUX-FALL路网测算 | 第46-48页 |
| 4.3 可视化界面设计 | 第48-51页 |
| 4.4 本章小结 | 第51-53页 |
| 5 案例分析(以北京市为例) | 第53-65页 |
| 5.1 数据分析 | 第53-57页 |
| 5.1.1 路段出行时间分布 | 第53-55页 |
| 5.1.2 全天出行时间分布 | 第55-57页 |
| 5.2 静态路网数据测算 | 第57-59页 |
| 5.3 时间依赖路网数据测算 | 第59-62页 |
| 5.4 方格路网测算 | 第62-64页 |
| 5.5 本章小结 | 第64-65页 |
| 6 总结 | 第65-67页 |
| 6.1 主要研究结论 | 第65-66页 |
| 6.2 主要创新点 | 第66页 |
| 6.3 工作展望 | 第66-67页 |
| 参考文献 | 第67-71页 |
| 作者简历及攻读硕士学位期间取得的研究成果 | 第71-75页 |
| 学位论文数据集 | 第75页 |
