交通信息智慧型預測理論與方法

交通信息預測理論與方法 交通信息預測方法分類 t理論的交通信息智慧型預測

基本信息

作者: 許倫輝 傅惠
叢書名: 智慧型科學技術著作叢書
出版社:科學出版社
ISBN:9787030230966
上架時間:2009-1-23
出版日期:2009 年1月
開本:16開
頁碼:180
版次:1-1

內容簡介

交通信息智慧型預測,是指以歷史的、現有的交通及相關因素的調查統計資料為依據,運用智慧型化的計算方法,對目標區域交通系統未來狀況的測定。交通信息智慧型預測是預測學的一個分支,是現代交通規劃學和智慧型交通系統(its)的重要組成部分。.
本書在分析城市巨觀交通流特點與短時交通系統動力學特性的基礎上,闡述了可預測性分析和交通信息智慧型預測模型選擇方法,建立了完整的道路交通信息智慧型化預測體系;重點論述了交通信息智慧型預測模型與方法,包括灰色預測方法、卡爾曼濾波方法、神經網路方法、支持向量機方法及組合預測方法等。同時,本書也介紹了基於多agent理論的智慧型預測系統設計方法。..
本書取材新穎,體現了近年來交通信息智慧型預測研究方面的新理論與新進展,深入淺出地介紹了交通信息智慧型預測理論體系,並通過大量實例闡述了交通信息智慧型預測方法的套用。
本書可作為交通工程專業、自動控制專業、系統工程等專業本科生、研究生以及相關學科領域研究人員的參考書。...

目錄

《智慧型科學技術著作叢書》序.
前言
第1章 緒論
1.1 國內外智慧型交通系統研究概述
1.2 交通信息預測研究的必要性
1.3 交通信息預測理論與方法
1.3.1 現代預測發展概況
1.3.2 交通信息預測方法分類
1.3.3 交通信息預測的發展趨勢
1.4 交通信息智慧型預測的研究內容及工作流程
1.4.1 交通信息智慧型預測的研究內容
1.4.2 交通信息智慧型預測流程
1.5 本書內容與結構安排
1.6 小結
參考文獻
第2章 交通信息智慧型預測中的信息獲取
2.1 概述
2.2 交通信息檢測器
2.2.1 移動式交通信息獲取
2.2.2 固定式交通信息獲取
.2.2.3 基礎交通信息採集
2.3 無檢測器道路交通信息獲取
2.3.1 鄰近交叉口關聯分析方法
2.3.2 基於數據融合的交通信息獲取技術
2.4 小結
參考文獻
第3章 基於動力學特性的交通信息可預測性分析
3.1 概述
3.2 交通系統動力學特性分析方法
3.2.1 交通系統動力學特性研究歷程
3.2.2 研究意義及分析流程
3.3 交通系統非線性特徵量的計算
3.4 交通信息可預測性分析流程
3.4.1 可預測性分析流程
3.4.2 可預測性遞歸圖構造方法
3.5 交通信息可預測性分析實例
3.5.1 現實交通系統基本特性分析
3.5.2 現實交通系統動力學特性分析
3.6 小結
參考文獻
第4章 巨觀交通信息預測模型與方法
4.1 概述
4.2 回歸預測方法
4.2.1 一元線性回歸
4.2.2 多元線性回歸
4.2.3 非線性回歸
4.2.4 逐步回歸
4.3 確定性時間序列預測方法
4.3.1 時間序列平滑預測方法
4.3.2 趨勢曲線模型預測方法
4.4 隨機性時間序列預測方法
4.4.1 平穩時間序列
4.4.2 白噪聲序列
4.4.3 ARMA模型法及其預測步驟
4.4.4 其他隨機時間序列預測模型
4.5 小結
參考文獻
第5章 基於灰色系統理論的交通信息預測方法及套用
5.1 概述
5.2 灰色預測基本理論
5.2.1 灰色預測基本概念
5.2.2 灰色預測理論的特點
5.2.3 灰色預測模型分類
5.3 gm(1,1)預測模型及套用
5.3.1 模型的建立
5.3.2 模型檢驗分析
5.3.3 殘差辨識
5.3.4 gm(1,1)預測模型套用
5.4 交通信息自適應灰色預測方法及套用
5.4.1 自適應灰色預測原理
5.4.2 交通流量自適應灰色預測
5.5 幾類新型灰色預測模型
5.5.1 灰色馬爾可夫預測模型
5.5.2 遺傳最佳化灰色預測模型
5.5.3 模糊最佳化灰色預測模型
5.6 小結
參考文獻
第6章 基於卡爾曼濾波理論的交通信息預測方法及套用
6.1 概述
6.2 卡爾曼濾波理論
6.3 基於卡爾曼濾波的交通流量預測模型
6.4 基於灰色關聯分析的行程時間卡爾曼濾波方法..
6.4.1 行程時間影響因素灰色關聯分析
6.4.2 行程時間卡爾曼濾波預測算法
6.4.3 仿真實例
6.5 基於主成分分析的行程時間卡爾曼濾波方法
6.5.1 行程時間影響因素主成分分析
6.5.2 仿真實例
6.6 基於卡爾曼濾波與小波的交通信息預測方法
6.6.1 小波分析概述
6.6.2 卡爾曼濾波與小波結合的優勢
6.6.3 基於卡爾曼濾波與小波的交通信息kfw預測算法
6.7 小結
參考文獻
第7章 基於人工神經網路理論的交通信息預測方法及套用
7.1 概述
7.2 人工神經網路的基本原理
7.3 人工神經網路的結構形式與學習理論
7.3.1 神經網路結構
7.3.2 學習理論
7.4 基於bp網路的交通信息預測方法及套用
7.4.1 感知器
7.4.2 bp網路及其學習算法
7.4.3 bp算法的改進
7.4.4 bp網路在交通信息預測中的套用
7.5 基於rbf網路的交通信息預測方法及套用
7.5.1 原始數據預處理
7.5.2 rbf網路學習算法
7.5.3 仿真實驗及分析
7.6 基於人工神經網路的預測方法研究新進展
7.6.1 遺傳神經網路
7.6.2 小波神經網路
7.6.3 粗神經網路
7.7 小結
參考文獻
第8章 基於支持向量機理論的交通信息預測方法及套用
8.1 概述
8.2 支持向量機理論
8.3 基於支持向量機理論的交通信息預測算法
8.3.1 基於支持向量回歸的交通信息預測算法
8.3.2 基於支持向量回歸的交通信息預測仿真
8.4 基於粗糙集理論的svm交通信息預測
8.4.1 rs理論概述
8.4.2 基於rs理論的svm交通信息預測原理
8.5 小結
參考文獻
第9章 混沌理論及其在交通信息預測中的套用研究
9.1 概述
9.2 混沌現象及有關概念
9.3 交通混沌研究對於交通信息預測的重要意義
9.3.1 混沌與交通混沌的發展沿革
9.3.2 交通混沌及交通分形的研究意義
9.3.3 交通混沌的研究現狀
9.4 混沌特徵量與交通混沌的識別方法
9.4.1 混沌特徵量
9.4.2 基於lyapunov指數的交通混沌識別
9.5 交通混沌時間序列的全域預測方法
9.6 交通混沌時間序列的局域預測方法
9.6.1 加權零階局域法
9.6.2 加權一階局域法
9.7 交通混沌時間序列的最大lyapunov指數預測方法
9.7.1 最大lyapunov指數預測算法設計
9.7.2 最大lyapunov指數預測仿真實驗
9.8 小結
參考文獻
第10章 組合預測理論及其在交通信息預測中的套用研究
10.1 概述
10.1.1 組合預測的必要性
10.1.2 組合預測的優勢
10.1.3 交通信息組合預測研究歷程
10.2 交通信息線性組合預測理論
10.2.1 線性組合預測基本理論
10.2.2 遞歸等權線性組合預測方法
10.2.3 線性組合預測中的幾個熱點問題
10.3 非線性組合預測及其在交通信息預測中的套用研究
10.3.1 非線性組合預測原理及其算法設計
10.3.2 灰色與多項式非線性組合預測仿真實驗
10.4 組合預測理論的重要新進展
10.5 小結
參考文獻
第11章 基於多agent的交通信息智慧型預測系統設計
11.1 概述
11.2 多agent理論
11.2.1 agent的概念和特性
11.2.2 agent的認知模型
11.2.3 agent的體系結構
11.2.4 多agent的基本思想
11.3 基於多agent理論的智慧型預測系統結構
11.4 基於多agent理論的交通信息智慧型預測
11.4.1 基於多agent的交通信息智慧型預測流程
11.4.2 交通信息智慧型預測系統中的agent類別
11.4.3 交通信息智慧型預測系統仿真
11.5 小結
參考文獻...

相關詞條

熱門詞條

聯絡我們