交通流數(shù)據(jù)清洗與狀態(tài)辨識及優(yōu)化控制關(guān)鍵理論方法

前言
1 緒論
1.1 ITS發(fā)展背景
1.2 國內(nèi)外ITS研究歷史與發(fā)展現(xiàn)狀
1.2.1 國外ITS研究歷史與發(fā)展現(xiàn)狀
1.2.2 我國ITS研究歷史與發(fā)展現(xiàn)狀
1.2.3 ITS主要功能子系統(tǒng)
1.3 交通流數(shù)據(jù)清洗與狀態(tài)辨識及優(yōu)化控制概述
1.4 本書主要內(nèi)容
參考文獻
第一篇 交通流數(shù)據(jù)清洗關(guān)鍵理論及方法
　2 交通流數(shù)據(jù)清洗概述
　 2.1 研究背景
　 2.2 研究的必要性及數(shù)據(jù)清洗
　 2.2.1 必要性
　 2.2.2 交通流數(shù)據(jù)清洗的主要內(nèi)容
　 2.3 國內(nèi)外相關(guān)研究狀況
　 2.3.1 數(shù)據(jù)清洗研究狀況
　 2.3.2 交通流數(shù)據(jù)清洗研究狀況
　 2.4 本篇主要研究內(nèi)容
　 2.5 本章小結(jié)
　 參考文獻
　3 交通流丟失數(shù)據(jù)補齊算法
　 3.1 丟失數(shù)據(jù)的分析
　 3.2 基于粗集理論的交通流丟失數(shù)據(jù)補齊算法
　 3.2.1 粗集理論
　 3.2.2 ROUSTIDA算法流程
　 3.2.3 模型應用與結(jié)果分析
　 3.2.4 結(jié)論
　 3.3 基于最小二乘支持向量機的交通流丟失數(shù)據(jù)補齊算法
　 3.3.1 支持向量機和最小二乘支持向量機的原理
　 3.3.2 交通流丟失數(shù)據(jù)補齊模型及仿真
　 3.3.3 結(jié)論
　 3.4 本章小結(jié)
　 參考文獻
　4 交通流錯誤數(shù)據(jù)判別和修正算法
　 4.1 錯誤數(shù)據(jù)判別模型
　 4.1.1 孤立點檢測算法
　 4.1.2 邊界檢測算法
　 4.1.3 閾值理論與交通流理論的組合檢測算法
　 4.2 錯誤數(shù)據(jù)修正模型
　 4.2.1 灰色GM(1，1)模型
　 4.2.2 錯誤數(shù)據(jù)修正模型
　 4.3 應用實例
　 4.3.1 數(shù)據(jù)來源
　 4.3.2 算法流程
　 4.3.3 模型應用
　 4.3.4 結(jié)果分析
　 4.4 結(jié)論
　 4.5 本章小結(jié)
　 參考文獻
　5 交通流冗余數(shù)據(jù)約簡算法
　 5.1 冗余數(shù)據(jù)識別和約簡方法
　 5.1.1 基于等級分組法的冗余數(shù)據(jù)識別方法
　 5.1.2 冗余數(shù)據(jù)的約簡方法
　 5.2 應用實例
　 5.2.1 數(shù)據(jù)來源
　 5.2.2 算法流程
　 5.2.3 模型應用
　 5.2.4 結(jié)果分析
　 5.3 結(jié)論
　 5.4 本章小結(jié)
　 參考文獻
　6 本篇內(nèi)容總結(jié)及其展望
　 6.1 總結(jié)
　 6.2 未來的研究方向
第二篇 交通流狀態(tài)辨識關(guān)鍵理論及方法
　7 交通流狀態(tài)辨識系統(tǒng)框架
　 7.1 交通流狀態(tài)辨識系統(tǒng)框架結(jié)構(gòu)
　 7.2 系統(tǒng)框架的主要組成部分
　 7.2.1 交通狀態(tài)判別子系統(tǒng)
　 7.2.2 動態(tài)交通信息采集子系統(tǒng)
　 7.2.3 交通流數(shù)據(jù)清洗子系統(tǒng)
　 7.2.4 交通流控制子系統(tǒng)
　 7.2.5 調(diào)度子系統(tǒng)
　 7.2.6 交通信息發(fā)布子系統(tǒng)
　 7.2.7 事件數(shù)據(jù)管理子系統(tǒng)
　 7.2.8 通信子系統(tǒng)
　 7.3 本篇主要研究內(nèi)容與方法
　 7.4 本章小結(jié)
　 參考文獻
　8 交通流狀態(tài)預辨識方法
　 8.1 交通流預測方法簡介
　 8.1.1 基于統(tǒng)計理論的模型
　 8.1.2 基于非線性預測理論的模型
　 8.1.3 基于神經(jīng)網(wǎng)絡理論的模型
　 8.1.4 基于動態(tài)分配理論的模型
　 8.1.5 基于微觀交通仿真的模型
　 8.2 基于非參數(shù)回歸樣條的交通流短時預測方法
　 8.2.1 非參數(shù)回歸
　 8.2.2 非參數(shù)回歸樣條擬合方法
　 8.2.3 非參數(shù)回歸樣條擬合方法在交通流短時預測中的應用
　 8.3 基于投影尋蹤自回歸的短時交通流預測方法
　 8.3.1 投影尋蹤技術(shù)
　 8.3.2 PP自回歸模型[PPAR(k)]
　 8.3.3 交通流PPAR回歸預測
　 8.3.4 結(jié)論
　 8.4 本章小結(jié)
　 參考文獻
　9 交通流量變檢測方法
　 9.1 概述
　 9.2 指數(shù)分布概率變點模型研究
　 9.2.1 指數(shù)分布參數(shù)的變點
　 9.2.2 均值變點搜索方法
　 9.2.3 模型應用與結(jié)果分析
　 9.3 二項分布概率變點模型研究
　 9.3.1 累次計數(shù)法
　 9.3.2 模型應用與結(jié)果分析
　 9.4 本章小結(jié)
　 參考文獻
　10 交通流質(zhì)變檢測方法
　 10.1 交通事件檢測方法簡介
　 10.1.1 交通事件
　 10.1.2 主要事件檢測算法及評價指標
　 10.2 交通流突變分析的變點統(tǒng)計方法
　 10.2.1 概述
　 10.2.2 交通流突變分析的最小二乘法
　 10.2.3 交通流突變分析的局部比較法
　 10.3 基于多分辨分析的交通事件自動檢測方法
　 10.3.1 多分辨分析Mallat算法
　 10.3.2 小波濾波器及Mallat算法的具體實現(xiàn)
　 10.3.3 多分辨分析在交通事件自動檢測中的應用
　 10.4 本章小結(jié)
　 參考文獻
　11 信息融合技術(shù)在交通流狀態(tài)實時辨識中的應用
　 11.1 信息融合及交通信息融合簡介
　 11.1.1 信息融合
　 11.1.2 信息融合的層次級別
　 11.1.3 信息融合方法
　 11.2 基于支持向量機的交通信息融合方法研究
　 11.2.1 支持向量機簡介
　 11.2.2 基于SVM的信息融合方法在交通流狀態(tài)實時辨識中的應用
　 11.2.3 結(jié)論
　 11.3 基于遺傳算法的交通信息模糊融合方法
　 11.3.1 模糊控制和遺傳算法
　 11.3.2 基于遺傳算法的信息模糊融合方法在交通流狀態(tài)實時辨識中的應用
　 11.4 本章小結(jié)
　 參考文獻
　12 本篇內(nèi)容總結(jié)及其展望
第三篇 交通流優(yōu)化控制關(guān)鍵理論及方法
　13 交通流優(yōu)化控制
　 13.1 研究的背景和意義
　 13.2 DTA問題
　 13.2.1 國外研究現(xiàn)狀
　 13.2.2 我國研究現(xiàn)狀
　 13.3 最短路徑問題
　 13.4 本篇主要內(nèi)容
　 參考文獻
　14 蟻群算法概述
　 14.1 算法的基本理論
　 14.1.1 基本原理
　 14.1.2 基本模型
　 14.1.3 理論基礎(chǔ)
　 14.1.4 算法框架
　 14.1.5 算法的特點
　 14.2 算法的研究進展
　 14.2.1 理論研究
　 14.2.2 應用研究
　 14.2.3 我國研究情況
　 14.3 本章小結(jié)
　 參考文獻
　15 基于自適應蟻群算法的交通網(wǎng)絡中最短路徑搜索方法
　 15.1 交通網(wǎng)絡中最短路徑問題
　 15.1.1 交通網(wǎng)絡的表示
　 15.1.2 最短路徑問題的描述
　 15.2 用自適應蟻群算法求解交通網(wǎng)絡中最短路徑問題
　 15.2.1 尋優(yōu)思路
　 15.2.2 算法設(shè)計
　 15.2.3 算法的具體實現(xiàn)步驟
　 15.2.4 算法流程圖
　 15.3 仿真實驗
　 15.4 本章小結(jié)
　 參考文獻
　16 基于混沌蟻群算法的動態(tài)用戶最優(yōu)配流方法
　 16.1 基本問題
　 16.1.1 交通分配理論概述
　 16.1.2 DTA特征
　 16.1.3 動態(tài)交通網(wǎng)絡配流原則
　 16.1.4 動態(tài)交通網(wǎng)絡約束條件
　 16.2 離散型動態(tài)用戶最優(yōu)配流模型
　 16.3 DTA方法
　 16.3.1 混沌蟻群算法
　 16.3.2 用CACO求解離散型動態(tài)用戶最優(yōu)配流問題
　 16.4 仿真實驗
　 16.5 本章小結(jié)
　 參考文獻
　17 本篇內(nèi)容總結(jié)及其展望
　 17.1 總結(jié)
　 17.2 研究展望
附錄
　附錄A 王曉原主持的科研項目
　附錄B 作者的代表性論著