| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第11-19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 | 第12-15页 |
| 1.2.1 国外研究现状 | 第13-14页 |
| 1.2.2 国内研究现状 | 第14-15页 |
| 1.3 研究目的和研究内容 | 第15-16页 |
| 1.3.1 本文研究目的 | 第15-16页 |
| 1.3.2 本文的主要工作 | 第16页 |
| 1.4 本文的主要结构 | 第16-19页 |
| 第2章 路段行程时间预测相关理论 | 第19-33页 |
| 2.1 引言 | 第19页 |
| 2.2 行程时间定义 | 第19-20页 |
| 2.3 道路交通流特征 | 第20页 |
| 2.4 交通参数的采集 | 第20-24页 |
| 2.4.1 行程时间的采集技术 | 第20-22页 |
| 2.4.2 交通流量、速度和车道占有率的采集技术 | 第22-24页 |
| 2.5 基本路段行程时间预测算法 | 第24-31页 |
| 2.5.1 历史趋势法 | 第24页 |
| 2.5.2 指数平滑预测方法 | 第24-25页 |
| 2.5.3 统计算法 | 第25-26页 |
| 2.5.4 卡尔曼滤波算法 | 第26-27页 |
| 2.5.5 灰色系统模型 | 第27页 |
| 2.5.6 神经网络算法 | 第27-29页 |
| 2.5.7 支持向量回归算法 | 第29-31页 |
| 2.6 预测性能评价指标 | 第31-32页 |
| 2.7 本章小结 | 第32-33页 |
| 第3章 基于在线序列极限学习机的路段行程时间预测算法 | 第33-45页 |
| 3.1 单隐层反馈神经网络 | 第33-35页 |
| 3.2 极限学习机算法原理 | 第35-38页 |
| 3.3 在线序列极限学习机算法 | 第38-41页 |
| 3.4 基于在线序列极限学习机的路段行程时间预测算法 | 第41-43页 |
| 3.4.1 算法的基本思想及步骤 | 第41-42页 |
| 3.4.2 算法的流程 | 第42-43页 |
| 3.5 本章小结 | 第43-45页 |
| 第4章 仿真实验和算法评估 | 第45-53页 |
| 4.1 数据集及预处理 | 第45-46页 |
| 4.1.1 数据集 | 第45页 |
| 4.1.2 数据预处理 | 第45-46页 |
| 4.2 实验及结果分析 | 第46-52页 |
| 4.2.1 一天数据集实验及结果分析 | 第46-49页 |
| 4.2.2 一周数据集实验及结果分析 | 第49-52页 |
| 4.3 本章小结 | 第52-53页 |
| 第5章 总结与展望 | 第53-55页 |
| 5.1 论文的工作总结 | 第53页 |
| 5.2 进一步的研究工作 | 第53-55页 |
| 参考文献 | 第55-61页 |
| 作者攻读学位期间的科研成果 | 第61-63页 |
| 致谢 | 第63页 |