交通流数据清洗与状态辨识及优化控制关键理论方法PDF电子书下载

1 绪论 1

1.1 ITS发展背景 1

1.2 国内外ITS研究历史与发展现状 2

1.2.1 国外ITS研究历史与发展现状 2

1.2.2 我国ITS研究历史与发展现状 4

1.2.3 ITS主要功能子系统 5

1.3 交通流数据清洗与状态辨识及优化控制概述 8

1.4 本书主要内容 9

参考文献 11

第一篇 交通流数据清洗关键理论及方法 11

2 交通流数据清洗概述 15

2.1 研究背景 15

2.2 研究的必要性及数据清洗 16

2.2.1 必要性 16

2.2.2 交通流数据清洗的主要内容 17

2.3 国内外相关研究状况 18

2.3.1 数据清洗研究状况 18

2.3.2 交通流数据清洗研究状况 19

2.4 本篇主要研究内容 24

2.5 本章小结 25

参考文献 25

3 交通流丢失数据补齐算法 29

3.1 丢失数据的分析 29

3.2 基于粗集理论的交通流丢失数据补齐算法 30

3.2.1 粗集理论 30

3.2.2 ROUSTIDA算法流程 32

3.2.3 模型应用与结果分析 33

3.2.4 结论 38

3.3 基于最小二乘支持向量机的交通流丢失数据补齐算法 38

3.3.1 支持向量机和最小二乘支持向量机的原理 38

3.3.2 交通流丢失数据补齐模型及仿真 41

3.3.3 结论 45

3.4 本章小结 45

参考文献 46

4 交通流错误数据判别和修正算法 47

4.1 错误数据判别模型 47

4.1.1 孤立点检测算法 47

4.1.2 边界检测算法 48

4.1.3 阈值理论与交通流理论的组合检测算法 49

4.2 错误数据修正模型 49

4.2.1 灰色GM（1,1）模型 50

4.2.2 错误数据修正模型 53

4.3 应用实例 53

4.3.1 数据来源 53

4.3.2 算法流程 54

4.3.3 模型应用 55

4.3.4 结果分析 56

4.4 结论 57

4.5 本章小结 57

参考文献 58

5 交通流冗余数据约简算法 59

5.1 冗余数据识别和约简方法 59

5.1.1 基于等级分组法的冗余数据识别方法 59

5.1.2 冗余数据的约简方法 61

5.2 应用实例 62

5.2.1 数据来源 62

5.2.2 算法流程 62

5.2.3 模型应用 63

5.2.4 结果分析 65

5.3 结论 67

5.4 本章小结 67

参考文献 67

6 本篇内容总结及其展望 68

6.1 总结 68

6.2 未来的研究方向 69

第二篇 交通流状态辨识关键理论及方法 69

7 交通流状态辨识系统框架 73

7.1 交通流状态辨识系统框架结构 73

7.2 系统框架的主要组成部分 74

7.2.1 交通状态判别子系统 74

7.2.2 动态交通信息采集子系统 76

7.2.3 交通流数据清洗子系统 76

7.2.4 交通流控制子系统 76

7.2.5 调度子系统 76

7.2.6 交通信息发布子系统 77

7.2.7 事件数据管理子系统 77

7.2.8 通信子系统 77

7.3 本篇主要研究内容与方法 78

7.4 本章小结 79

参考文献 79

8 交通流状态预辨识方法 80

8.1 交通流预测方法简介 80

8.1.1 基于统计理论的模型 80

8.1.2 基于非线性预测理论的模型 81

8.1.3 基于神经网络理论的模型 81

8.1.4 基于动态分配理论的模型 82

8.1.5 基于微观交通仿真的模型 82

8.2 基于非参数回归样条的交通流短时预测方法 82

8.2.1 非参数回归 82

8.2.2 非参数回归样条拟合方法 83

8.2.3 非参数回归样条拟合方法在交通流短时预测中的应用 87

8.3 基于投影寻踪自回归的短时交通流预测方法 91

8.3.1 投影寻踪技术 91

8.3.2 PP自回归模型［PPAR（k）］ 93

8.3.3 交通流PPAR回归预测 95

8.3.4 结论 97

8.4 本章小结 98

参考文献 98

9 交通流量变检测方法 100

9.1 概述 100

9.2 指数分布概率变点模型研究 100

9.2.1 指数分布参数的变点 101

9.2.2 均值变点搜索方法 102

9.2.3 模型应用与结果分析 104

9.3 二项分布概率变点模型研究 106

9.3.1 累次计数法 106

9.3.2 模型应用与结果分析 108

9.4 本章小结 110

参考文献 111

10 交通流质变检测方法 112

10.1 交通事件检测方法简介 112

10.1.1 交通事件 112

10.1.2 主要事件检测算法及评价指标 113

10.2 交通流突变分析的变点统计方法 116

10.2.1 概述 116

10.2.2 交通流突变分析的最小二乘法 117

10.2.3 交通流突变分析的局部比较法 125

10.3 基于多分辨分析的交通事件自动检测方法 131

10.3.1 多分辨分析Mallat算法 131

10.3.2 小波滤波器及Mallat算法的具体实现 137

10.3.3 多分辨分析在交通事件自动检测中的应用 138

10.4 本章小结 145

参考文献 145

11 信息融合技术在交通流状态实时辨识中的应用 147

11.1 信息融合及交通信息融合简介 147

11.1.1 信息融合 147

11.1.2 信息融合的层次级别 148

11.1.3 信息融合方法 149

11.2 基于支持向量机的交通信息融合方法研究 149

11.2.1 支持向量机简介 149

11.2.2 基于SVM的信息融合方法在交通流状态实时辨识中的应用 153

11.2.3 结论 156

11.3 基于遗传算法的交通信息模糊融合方法 156

11.3.1 模糊控制和遗传算法 156

11.3.2 基于遗传算法的信息模糊融合方法在交通流状态实时辨识中的应用 160

11.4 本章小结 164

参考文献 164

12 本篇内容总结及其展望 165

第三篇 交通流优化控制关键理论及方法 165

13 交通流优化控制 169

13.1 研究的背景和意义 169

13.2 DTA问题 170

13.2.1 国外研究现状 171

13.2.2 我国研究现状 176

13.3 最短路径问题 177

13.4 本篇主要内容 179

参考文献 179

14 蚁群算法概述 182

14.1 算法的基本理论 182

14.1.1 基本原理 182

14.1.2 基本模型 184

14.1.3 理论基础 187

14.1.4 算法框架 188

14.1.5 算法的特点 188

14.2 算法的研究进展 189

14.2.1 理论研究 189

14.2.2 应用研究 194

14.2.3 我国研究情况 195

14.3 本章小结 197

参考文献 197

15 基于自适应蚁群算法的交通网络中最短路径搜索方法 200

15.1 交通网络中最短路径问题 200

15.1.1 交通网络的表示 200

15.1.2 最短路径问题的描述 201

15.2 用自适应蚁群算法求解交通网络中最短路径问题 201

15.2.1 寻优思路 201

15.2.2 算法设计 202

15.2.3 算法的具体实现步骤 205

15.2.4 算法流程图 205

15.3 仿真实验 205

15.4 本章小结 208

参考文献 208

16 基于混沌蚁群算法的动态用户最优配流方法 209

16.1 基本问题 209

16.1.1 交通分配理论概述 209

16.1.2 DTA特征 210

16.1.3 动态交通网络配流原则 210

16.1.4 动态交通网络约束条件 212

16.2 离散型动态用户最优配流模型 214

16.3 DTA方法 215

16.3.1 混沌蚁群算法 215

16.3.2 用CACO求解离散型动态用户最优配流问题 216

16.4 仿真实验 221

16.5 本章小结 223

参考文献 223

17 本篇内容总结及其展望 224

17.1 总结 224

17.2 研究展望 224

附录 226

附录A 王晓原主持的科研项目 226

附录B 作者的代表性论著 228