摘要 | 第3-4页 |
Abstract | 第4页 |
1 绪论 | 第10-17页 |
1.1 课题研究背景及实际意义 | 第10页 |
1.2 短时交通流预测研究现状 | 第10-13页 |
1.2.1 基于传统统计理论的模型 | 第11-12页 |
1.2.2 基于现代科学技术的模型 | 第12-13页 |
1.2.3 组合模型 | 第13页 |
1.3 城市交通信号控制发展概况 | 第13-16页 |
1.3.1 国外城市交通信号控制系统研究现状 | 第14-15页 |
1.3.2 国内城市交通信号控制系统研究现状 | 第15-16页 |
1.4 课题主要研究工作 | 第16-17页 |
2 小波神经网络理论 | 第17-24页 |
2.1 引言 | 第17页 |
2.2 神经网络基本原理 | 第17-21页 |
2.2.1 神经网络的构成要素 | 第17-18页 |
2.2.2 神经网络的分类 | 第18-20页 |
2.2.3 神经网络的学习方式 | 第20-21页 |
2.3 小波神经网络基础 | 第21-23页 |
2.3.1 小波变换 | 第21-22页 |
2.3.2 小波变换和神经网络的结合方式 | 第22页 |
2.3.3 小波神经网络的结构 | 第22-23页 |
2.4 本章小结 | 第23-24页 |
3 小波神经网络短时交通流预测算法的研究 | 第24-36页 |
3.1 引言 | 第24页 |
3.2 基于小波神经网络的短时交通流预测模型 | 第24-27页 |
3.2.1 小波神经网络输入输出模型的建立 | 第24-25页 |
3.2.2 小波神经网络预测模型的参数修正 | 第25-27页 |
3.3 小波神经网络短时交通流预测算法的改进 | 第27-30页 |
3.3.1 小波神经网络隐层节点数量的确定 | 第27-29页 |
3.3.2 小波神经网络参数修正的改进 | 第29页 |
3.3.3 遗传算法对改进型小波神经网络的优化 | 第29-30页 |
3.4 实例仿真 | 第30-35页 |
3.4.1 仿真样本和性能指标 | 第30-31页 |
3.4.2 交通流数据预处理 | 第31-32页 |
3.4.3 仿真结果分析 | 第32-35页 |
3.5 本章小结 | 第35-36页 |
4 城市区域交通信号控制技术研究 | 第36-49页 |
4.1 交通流理论 | 第36-40页 |
4.1.1 交通流基本参数 | 第36-37页 |
4.1.2 交通流基本模型 | 第37-40页 |
4.2 交通信号控制理论 | 第40-43页 |
4.2.1 交通信号控制的基本参数 | 第40-42页 |
4.2.2 交通信号控制的评价指标 | 第42-43页 |
4.3 城市道路交通网络 | 第43-45页 |
4.3.1 城市道路交通网络模型的建立 | 第43-44页 |
4.3.2 城市道路交通网络子区的划分 | 第44-45页 |
4.4 城市区域交通信号控制技术 | 第45-48页 |
4.4.1 城市区域交通信号控制结构 | 第45-47页 |
4.4.2 城市区域交通信号控制策略 | 第47-48页 |
4.5 本章小结 | 第48-49页 |
5 基于短时交通流预测的城市区域交通信号控制算法研究 | 第49-70页 |
5.1 城市区域交通信号控制的总体框架 | 第49-50页 |
5.2 子区交通信号控制的具体实现 | 第50-61页 |
5.2.1 子区交通信号控制的具体步骤 | 第50-51页 |
5.2.2 基于短时交通流预测的子区主干道划分方法 | 第51-54页 |
5.2.3 交叉路口相位配置方案的改进 | 第54-57页 |
5.2.4 交叉路口绿信比配置方案的改进 | 第57-59页 |
5.2.5 交叉路口间相位差计算方法的改进 | 第59-61页 |
5.3 实例仿真 | 第61-69页 |
5.3.1 仿真环境介绍 | 第61页 |
5.3.2 子区路网建模 | 第61-62页 |
5.3.3 子区交通参数的设置 | 第62-64页 |
5.3.4 子区控制性能的评价 | 第64-68页 |
5.3.5 仿真结果分析 | 第68-69页 |
5.4 本章小结 | 第69-70页 |
6 总结与展望 | 第70-72页 |
6.1 全文工作总结 | 第70-71页 |
6.2 相关领域的展望 | 第71-72页 |
致谢 | 第72-73页 |
参考文献 | 第73-77页 |
附录 | 第77-83页 |
攻读硕士学位期间发表的论文和出版著作情况 | 第83页 |
攻读硕士学位期间学术成果获奖情况 | 第83页 |