摘要 | 第5-6页 |
ABSTRACT | 第6-7页 |
第一章 绪论 | 第11-20页 |
1.1 研究背景及意义 | 第11-13页 |
1.2 国内外研究现状 | 第13-17页 |
1.2.1 城市道路交通流预测研究现状 | 第13-15页 |
1.2.2 城市道路交通状态判别研究现状 | 第15-17页 |
1.3 本文的主要工作 | 第17-19页 |
1.3.1 本文的主要研究内容 | 第17-19页 |
1.3.2 本文的结构框架 | 第19页 |
1.4 本章小结 | 第19-20页 |
第二章 城市道路交通信息采集及其预处理 | 第20-25页 |
2.1 城市道路交通数据采集技术 | 第20-22页 |
2.1.1 固定型采集技术 | 第20-21页 |
2.1.2 移动型采集技术 | 第21-22页 |
2.2 数据融合技术 | 第22页 |
2.3 交通流数据的预处理 | 第22-24页 |
2.3.1 交通流数据故障的识别 | 第22-23页 |
2.3.2 交通流数据故障的修复 | 第23-24页 |
2.3.3 冗余数据的识别与约简 | 第24页 |
2.4 本章小结 | 第24-25页 |
第三章 城市道路短时交通流预测关键技术研究 | 第25-39页 |
3.1 短时交通流预测概述 | 第25-26页 |
3.1.1 单点短时交通流预测理论 | 第25页 |
3.1.2 短时交通流预测结果评价指标 | 第25-26页 |
3.2 基于 BP 神经网络的短时交通流预测 | 第26-30页 |
3.2.1 BP 神经网络 | 第26-28页 |
3.2.2 BP 神经网络的改进 | 第28-29页 |
3.2.3 基于 BP 神经网络的交通流预测模型 | 第29-30页 |
3.3 基于小波神经网络的短时交通流预测 | 第30-33页 |
3.3.1 小波神经网络概述 | 第30-32页 |
3.3.2 基于小波神经网络的交通流预测过程 | 第32-33页 |
3.4 交通流多模型融合预测算法 | 第33-34页 |
3.5 城市道路交通流单点短时预测实例分析 | 第34-38页 |
3.5.1 数据预处理 | 第35页 |
3.5.2 基于 BP 神经网络的交通流预测模型仿真 | 第35-36页 |
3.5.3 基于小波神经网络的交通流预测模型仿真 | 第36-37页 |
3.5.4 基于多模型融合的交通流预测模型仿真 | 第37-38页 |
3.5.5 预测结果对比分析 | 第38页 |
3.6 本章小结 | 第38-39页 |
第四章 城市道路交通状态判别关键技术研究 | 第39-57页 |
4.1 模糊综合评价方法概述 | 第39-43页 |
4.1.1 模糊综合评价的数学基础 | 第39-41页 |
4.1.2 模糊综合评价过程 | 第41-43页 |
4.2 模糊层次分析方法理论 | 第43-47页 |
4.2.1 层次分析法 | 第44-45页 |
4.2.2 模糊层次分析法 | 第45-47页 |
4.3 基于模糊层次分析法与模糊评价的交通状态判别算法 | 第47-53页 |
4.3.1 评价指标体系的建立与内容分析 | 第47-48页 |
4.3.2 评价集合的确定 | 第48-49页 |
4.3.3 隶属函数的确定 | 第49-51页 |
4.3.4 运用模糊层次分析法确定权重向量 | 第51-52页 |
4.3.5 模糊综合评判结果分析与交通状态判别 | 第52-53页 |
4.4 道路交通状态判别实例分析 | 第53-56页 |
4.5 本章小结 | 第56-57页 |
第五章 管控平台中交通流预测与状态判别的实现 | 第57-63页 |
5.1 管控平台系统概述 | 第57-59页 |
5.1.1 管控平台总体框架 | 第57-58页 |
5.1.2 交通流信息采集与融合子系统 | 第58-59页 |
5.1.3 数据管理子系统 | 第59页 |
5.2 管控平台中交通流预测与状态判别的设计与实现 | 第59-62页 |
5.2.1 交通流预测模型的建立 | 第59-60页 |
5.2.2 交通状态判别模型的建立 | 第60页 |
5.2.3 管控平台中交通状态判别模型的应用 | 第60-61页 |
5.2.4 管控平台中交通状态预测的实现 | 第61-62页 |
5.3 本章小结 | 第62-63页 |
结论与展望 | 第63-65页 |
本文总结 | 第63-64页 |
未来展望 | 第64-65页 |
参考文献 | 第65-69页 |
攻读硕士学位期间取得的研究成果 | 第69-70页 |
致谢 | 第70-71页 |
附件 | 第71页 |