面向能量优化控制的新能源公交车工况预测
| 摘要 | 第3-4页 |
| abstract | 第4-5页 |
| 第1章 前言 | 第8-23页 |
| 1.1 研究背景及意义 | 第8-13页 |
| 1.2 国内外工况预测研究现状 | 第13-21页 |
| 1.2.1 基于交通模型的工况预测 | 第13-15页 |
| 1.2.2 基于识别的工况预测 | 第15-18页 |
| 1.2.3 基于数学模型的工况预测 | 第18-20页 |
| 1.2.4 国内外工况预测文献综述小结 | 第20-21页 |
| 1.3 本文研究内容 | 第21-23页 |
| 第2章 公交工况样本数据处理与特征分析 | 第23-34页 |
| 2.1 数据及数据预处理 | 第23-28页 |
| 2.1.1 数据精度特征 | 第23-24页 |
| 2.1.2 采集数据中的干扰信息 | 第24-25页 |
| 2.1.3 数据预处理 | 第25-26页 |
| 2.1.4 数据预处理软件开发 | 第26-28页 |
| 2.2 公交运行工况数据提取 | 第28-29页 |
| 2.3 公交运行工况特征值计算 | 第29-33页 |
| 2.4 本章小结 | 第33-34页 |
| 第3章 全程离线工况预测方法研究 | 第34-51页 |
| 3.1 模式序列预测算法 | 第34-37页 |
| 3.2 基于地理位置的公交运行数据处理 | 第37-39页 |
| 3.3 道路区间划分与区间内工况聚类分析 | 第39-46页 |
| 3.3.1 道路区间划分 | 第39-42页 |
| 3.3.2 分段区间内工况聚类分析 | 第42-46页 |
| 3.4 全程工况预测模型 | 第46-50页 |
| 3.4.1 基于地理位置的Markov模型建模 | 第46-48页 |
| 3.4.2 全程离线工况预测模型 | 第48-50页 |
| 3.5 本章小结 | 第50-51页 |
| 第4章 短程在线工况预测方法研究 | 第51-72页 |
| 4.1 短程在线工况预测算法 | 第51-65页 |
| 4.1.1 自回归移动平均预测模型 | 第52-57页 |
| 4.1.2 Markov随机预测模型 | 第57-60页 |
| 4.1.3 神经网络预测模型 | 第60-65页 |
| 4.2 短程在线预测方法精度影响因素分析 | 第65-68页 |
| 4.2.1 建模数据量对预测精度影响 | 第65-67页 |
| 4.2.2 工况之间近似程度对模型预测精度的影响 | 第67-68页 |
| 4.3 短程在线工况方法对比分析 | 第68-71页 |
| 4.3.1 短程预测方法预测精度对比 | 第69-70页 |
| 4.3.2 短程预测方法计算时长对比 | 第70-71页 |
| 4.4 本章小结 | 第71-72页 |
| 第5章 工况预测方法在不同公交工况上的应用 | 第72-88页 |
| 5.1 三种车型工况特征值对比 | 第72-77页 |
| 5.2 混合动力公交工况预测验证分析 | 第77-82页 |
| 5.2.1 全程工况预测验证 | 第77-79页 |
| 5.2.2 短程工况预测验证 | 第79-82页 |
| 5.3 燃料电池公交工况预测验证分析 | 第82-86页 |
| 5.3.1 全程工况预测验证 | 第82-84页 |
| 5.3.2 短程工况预测验证 | 第84-86页 |
| 5.4 本章小结 | 第86-88页 |
| 第6章 论文总结及研究展望 | 第88-90页 |
| 6.1 论文总结 | 第88-89页 |
| 6.2 研究展望 | 第89-90页 |
| 参考文献 | 第90-95页 |
| 致谢 | 第95-97页 |
| 个人简历、在学期间发表的学术论文与研究成果 | 第97页 |
