城市道路交通流预测与路径选择研究
| 摘要 | 第1-6页 |
| ABSTRACT | 第6-11页 |
| 第1章 绪论 | 第11-17页 |
| ·课题研究的背景和意义 | 第11-12页 |
| ·课题研究的背景 | 第11-12页 |
| ·课题研究的意义 | 第12页 |
| ·交通流预测和路径选择技术的研究现状 | 第12-16页 |
| ·流量预测技术研究现状 | 第13-14页 |
| ·路径选择技术研究现状 | 第14-16页 |
| ·本文的研究内容及结构安排 | 第16-17页 |
| 第2章 交通流预测和路径选择技术 | 第17-31页 |
| ·交通流 | 第17-23页 |
| ·交通流的特性 | 第17-19页 |
| ·交通流基本参数及其关系 | 第19-21页 |
| ·交通流数据的采集技术 | 第21-22页 |
| ·交通流数据的处理技术 | 第22-23页 |
| ·交通流量预测技术 | 第23-28页 |
| ·交通流量预测模块的功能和分类 | 第23-24页 |
| ·基于数学模型的预测算法 | 第24-26页 |
| ·基于无数学模型的预测算法 | 第26-28页 |
| ·流量预测评价指标 | 第28页 |
| ·路径选择技术 | 第28-31页 |
| ·路径选择 | 第28-29页 |
| ·Dijkstra算法 | 第29-31页 |
| 第3章 基于聚类分析和神经网络的交通流量预测 | 第31-61页 |
| ·预测模型结构设计 | 第31-34页 |
| ·交通流预测模型结构 | 第31-32页 |
| ·构建模型训练样本集 | 第32-33页 |
| ·构建模型预测样本集 | 第33-34页 |
| ·交通流数据的聚类分析 | 第34-41页 |
| ·聚类分析算法 | 第34-37页 |
| ·K-Means算法的聚类数K值确定 | 第37-38页 |
| ·交通流数据的分类 | 第38-41页 |
| ·交通时段的划分 | 第41页 |
| ·小波神经网络预测模型 | 第41-49页 |
| ·小波神经网络结构 | 第41-43页 |
| ·数据样本 | 第43页 |
| ·算法流程 | 第43-44页 |
| ·算法实现 | 第44-46页 |
| ·仿真结果及分析 | 第46-49页 |
| ·遗传-小波神经网络预测模型 | 第49-56页 |
| ·遗传算法优化小波神经网络原理 | 第49-50页 |
| ·算法流程 | 第50页 |
| ·算法实现 | 第50-52页 |
| ·仿真结果及分析 | 第52-56页 |
| ·基于K-Means和GA-WNN的交通流量预测 | 第56-61页 |
| ·基本原理与流程 | 第56页 |
| ·仿真结果及分析 | 第56-61页 |
| 第4章 基于流量预测的路径选择研究与应用 | 第61-73页 |
| ·路径选择 | 第61-63页 |
| ·路径选择问题描述 | 第61-62页 |
| ·路径优化的最优目标 | 第62-63页 |
| ·城市交通路网模型 | 第63-64页 |
| ·交通路网结构 | 第63-64页 |
| ·路段权值确定 | 第64页 |
| ·路径优化算法 | 第64-67页 |
| ·基于Dijkstra算法的路径选择 | 第64-65页 |
| ·算法流程 | 第65页 |
| ·算法实现 | 第65-67页 |
| ·路径选择系统软件设计与实现 | 第67-73页 |
| ·系统需求分析 | 第67页 |
| ·系统功能结构 | 第67-68页 |
| ·系统主要模块设计 | 第68-70页 |
| ·仿真结果及分析 | 第70-73页 |
| 第5章 总结和展望 | 第73-75页 |
| ·全文总结 | 第73-74页 |
| ·未来展望 | 第74-75页 |
| 参考 文献 | 第75-78页 |
| 致谢 | 第78-79页 |
| 攻读学位期间参加的科研项目和成果 | 第79页 |
