| 摘要 | 第4-5页 |
| abstract | 第5页 |
| 第一章 绪论 | 第8-16页 |
| 1.1 研究背景与意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-13页 |
| 1.2.1 国内研究现状 | 第10-11页 |
| 1.2.2 国外研究现状 | 第11-13页 |
| 1.3 主要研究内容 | 第13页 |
| 1.4 章节安排 | 第13-16页 |
| 第二章 交通状态及经典识别算法 | 第16-24页 |
| 2.1 交通流参数 | 第16-17页 |
| 2.2 交通拥堵的定义及分类 | 第17页 |
| 2.3 交通状态量化标准 | 第17-20页 |
| 2.4 交通状态识别经典算法 | 第20-23页 |
| 2.4.1 基于单个交通参数的状态识别方法 | 第20-21页 |
| 2.4.2 基于多参数的交通状态识别方法 | 第21-23页 |
| 2.5 本章小结 | 第23-24页 |
| 第三章 KNN和径向基神经网络理论 | 第24-34页 |
| 3.1 KNN理论 | 第24-27页 |
| 3.1.1 KNN分类算法 | 第24-25页 |
| 3.1.2 相似性度量 | 第25-26页 |
| 3.1.3 KNN回归算法 | 第26-27页 |
| 3.1.4 KNN算法的优缺点 | 第27页 |
| 3.2 RBF神经网络 | 第27-33页 |
| 3.2.1 人工神经网络的原理和特点 | 第27-29页 |
| 3.2.2 神经网络的特点 | 第29页 |
| 3.2.3 RBF神经网络的结构和特点 | 第29-31页 |
| 3.2.4 RBF神经网络的学习算法 | 第31-33页 |
| 3.3 本章小结 | 第33-34页 |
| 第四章 交通状态判别和速度预测模型 | 第34-42页 |
| 4.1 速度预测模型与交通状态识别的关系 | 第34页 |
| 4.2 速度参数作为状态预测参数的理由 | 第34-35页 |
| 4.3 基于速度参数的交通状态判定 | 第35-39页 |
| 4.3.1 基于KNN-HA的速度预测模型 | 第36-37页 |
| 4.3.2 基于KNN-RBF的速度预测模型 | 第37-38页 |
| 4.3.3 基于KNN-HA和KNN-RBF相融合的速度预测模型 | 第38-39页 |
| 4.4 预测结果的性能评价指标 | 第39-40页 |
| 4.5 本章小结 | 第40-42页 |
| 第五章 实验结果及分析 | 第42-54页 |
| 5.1 交通数据的来源 | 第42页 |
| 5.2 速度的时间特性分析 | 第42-47页 |
| 5.2.1 基于周内的速度预测 | 第44-46页 |
| 5.2.2 基于周末的速度预测 | 第46-47页 |
| 5.3 KNN-HA和KNN-RBF相结合的速度预测分析 | 第47-50页 |
| 5.4 预测结果对比分析 | 第50-51页 |
| 5.5 拥堵等级的确定 | 第51-53页 |
| 5.6 本章小结 | 第53-54页 |
| 总结与展望 | 第54-56页 |
| （一）总结 | 第54页 |
| （二）展望 | 第54-56页 |
| 参考文献 | 第56-60页 |
| 致谢 | 第60页 |