基于数据驱动的微观交通流建模研究
| 摘要 | 第6-7页 |
| Abstract | 第7-8页 |
| 第1章 绪论 | 第11-26页 |
| 1.1 研究背景及意义 | 第11-12页 |
| 1.1.1 研究背景 | 第11-12页 |
| 1.1.2 研究意义 | 第12页 |
| 1.2 国内外研究现状分析 | 第12-24页 |
| 1.2.1 传统微观交通流研究现状 | 第12-18页 |
| 1.2.2 机器学习研究现状 | 第18-21页 |
| 1.2.3 基于机器学习的微观交通流研究现状 | 第21-23页 |
| 1.2.4 研究现状评述 | 第23-24页 |
| 1.3 研究目标和内容 | 第24页 |
| 1.3.1 研究目标 | 第24页 |
| 1.3.2 研究内容 | 第24页 |
| 1.4 拟解决关键问题和技术路线 | 第24-26页 |
| 1.4.1 拟解决关键问题 | 第24-25页 |
| 1.4.2 技术路线 | 第25-26页 |
| 第2章 数据驱动的车辆跟驰模型 | 第26-42页 |
| 2.1 数据集及预处理 | 第26-28页 |
| 2.2 线性组合预测理论 | 第28-30页 |
| 2.3 模型建立 | 第30-35页 |
| 2.3.1 Gipps跟驰模型简介 | 第30页 |
| 2.3.2 基于BP神经网络的车辆跟驰模型 | 第30-32页 |
| 2.3.3 基于随机森林的车辆跟驰模型 | 第32-34页 |
| 2.3.4 基于改进线性组合方法的车辆跟驰模型 | 第34-35页 |
| 2.4 模型评价 | 第35-40页 |
| 2.4.1 评价指标选取 | 第35-36页 |
| 2.4.2 评价结果及分析 | 第36-40页 |
| 2.5 本章小结 | 第40-42页 |
| 第3章 数据驱动的换道决策模型 | 第42-53页 |
| 3.1 数据预处理 | 第42-43页 |
| 3.2 模型建立 | 第43-48页 |
| 3.2.1 基于BP神经网络的自由换道决策模型 | 第44-45页 |
| 3.2.2 基于支持向量机的自由换道决策模型 | 第45-47页 |
| 3.2.3 基于随机森林的自由换道决策模型 | 第47-48页 |
| 3.3 模型评价 | 第48-52页 |
| 3.3.1 评价指标选取 | 第48-49页 |
| 3.3.2 训练结果 | 第49-50页 |
| 3.3.3 测试结果 | 第50-52页 |
| 3.4 本章小结 | 第52-53页 |
| 第4章 数据驱动的换道执行模型 | 第53-58页 |
| 4.1 数据预处理 | 第53-54页 |
| 4.2 基于BP神经网络的换道执行模型 | 第54-55页 |
| 4.3 模型验证 | 第55-57页 |
| 4.4 本章小结 | 第57-58页 |
| 结论 | 第58-60页 |
| 致谢 | 第60-61页 |
| 参考文献 | 第61-66页 |
| 攻读硕士学位期间发表的论文及科研实践 | 第66页 |
