交通信息智能预测理论与方法PDF|Epub|txt|kindle电子书版本网盘下载

交通信息智能预测理论与方法PDF格式电子书版下载

注意：本站所有压缩包均有解压码： 点击下载压缩包解压工具

《智能科学技术著作丛书》序1

前言1

第1章 绪论1

1.1 国内外智能交通系统研究概述1

1.2 交通信息预测研究的必要性3

1.3 交通信息预测理论与方法5

1.3.1 现代预测发展概况5

1.3.2 交通信息预测方法分类5

1.3.3 交通信息预测的发展趋势7

1.4 交通信息智能预测的研究内容及工作流程7

1.4.1 交通信息智能预测的研究内容7

1.4.2 交通信息智能预测流程8

1.5 本书内容与结构安排10

1.6 小结11

参考文献11

第2章 交通信息智能预测中的信息获取12

2.1 概述12

2.2 交通信息检测器12

2.2.1 移动式交通信息获取12

2.2.2 固定式交通信息获取15

2.2.3 基础交通信息采集17

2.3 无检测器道路交通信息获取18

2.3.1 邻近交叉口关联分析方法19

2.3.2 基于数据融合的交通信息获取技术20

2.4 小结22

参考文献22

第3章 基于动力学特性的交通信息可预测性分析23

3.1 概述23

3.2 交通系统动力学特性分析方法23

3.2.1 交通系统动力学特性研究历程23

3.2.2 研究意义及分析流程24

3.3 交通系统非线性特征量的计算27

3.4 交通信息可预测性分析流程29

3.4.1 可预测性分析流程29

3.4.2 可预测性递归图构造方法29

3.5 交通信息可预测性分析实例30

3.5.1 现实交通系统基本特性分析31

3.5.2 现实交通系统动力学特性分析34

3.6 小结38

参考文献38

第4章 宏观交通信息预测模型与方法40

4.1 概述40

4.2 回归预测方法41

4.2.1 一元线性回归41

4.2.2 多元线性回归44

4.2.3 非线性回归47

4.2.4 逐步回归49

4.3 确定性时间序列预测方法50

4.3.1 时间序列平滑预测方法51

4.3.2 趋势曲线模型预测方法53

4.4 随机性时间序列预测方法54

4.4.1 平稳时间序列56

4.4.2 白噪声序列56

4.4.3 ARMA模型法及其预测步骤57

4.4.4 其他随机时间序列预测模型59

4.5 小结60

参考文献60

第5章 基于灰色系统理论的交通信息预测方法及应用61

5.1 概述61

5.2 灰色预测基本理论61

5.2.1 灰色预测基本概念61

5.2.2 灰色预测理论的特点62

5.2.3 灰色预测模型分类63

5.3 GM（1，1）预测模型及应用66

5.3.1 模型的建立66

5.3.2 模型检验分析66

5.3.3 残差辨识70

5.3.4 GM（1，1）预测模型应用70

5.4 交通信息自适应灰色预测方法及应用73

5.4.1 自适应灰色预测原理73

5.4.2 交通流量自适应灰色预测74

5.5 几类新型灰色预测模型75

5.5.1 灰色马尔可夫预测模型75

5.5.2 遗传优化灰色预测模型76

5.5.3 模糊优化灰色预测模型78

5.6 小结79

参考文献79

第6章 基于卡尔曼滤波理论的交通信息预测方法及应用81

6.1 概述81

6.2 卡尔曼滤波理论81

6.3 基于卡尔曼滤波的交通流量预测模型85

6.4 基于灰色关联分析的行程时间卡尔曼滤波方法87

6.4.1 行程时间影响因素灰色关联分析87

6.4.2 行程时间卡尔曼滤波预测算法89

6.4.3 仿真实例90

6.5 基于主成分分析的行程时间卡尔曼滤波方法92

6.5.1 行程时间影响因素主成分分析92

6.5.2 仿真实例93

6.6 基于卡尔曼滤波与小波的交通信息预测方法94

6.6.1 小波分析概述94

6.6.2 卡尔曼滤波与小波结合的优势94

6.6.3 基于卡尔曼滤波与小波的交通信息KFW预测算法95

6.7 小结95

参考文献96

第7章 基于人工神经网络理论的交通信息预测方法及应用97

7.1 概述97

7.2 人工神经网络的基本原理99

7.3 人工神经网络的结构形式与学习理论101

7.3.1 神经网络结构101

7.3.2 学习理论102

7.4 基于BP网络的交通信息预测方法及应用104

7.4.1 感知器104

7.4.2 BP网络及其学习算法105

7.4.3 BP算法的改进106

7.4.4 BP网络在交通信息预测中的应用109

7.5 基于RBF网络的交通信息预测方法及应用109

7.5.1 原始数据预处理109

7.5.2 RBF网络学习算法110

7.5.3 仿真实验及分析111

7.6 基于人工神经网络的预测方法研究新进展113

7.6.1 遗传神经网络113

7.6.2 小波神经网络115

7.6.3 粗神经网络115

7.7 小结117

参考文献117

第8章 基于支持向量机理论的交通信息预测方法及应用119

8.1 概述119

8.2 支持向量机理论119

8.3 基于支持向量机理论的交通信息预测算法121

8.3.1 基于支持向量回归的交通信息预测算法122

8.3.2 基于支持向量回归的交通信息预测仿真124

8.4 基于粗糙集理论的SVM交通信息预测126

8.4.1 RS理论概述126

8.4.2 基于RS理论的SVM交通信息预测原理127

8.5 小结129

参考文献129

第9章 混沌理论及其在交通信息预测中的应用研究130

9.1 概述130

9.2 混沌现象及有关概念130

9.3 交通混沌研究对于交通信息预测的重要意义135

9.3.1 混沌与交通混沌的发展沿革135

9.3.2 交通混沌及交通分形的研究意义136

9.3.3 交通混沌的研究现状136

9.4 混沌特征量与交通混沌的识别方法137

9.4.1 混沌特征量137

9.4.2 基于Lyapunov指数的交通混沌识别142

9.5 交通混沌时间序列的全域预测方法145

9.6 交通混沌时间序列的局域预测方法147

9.6.1 加权零阶局域法147

9.6.2 加权一阶局域法148

9.7 交通混沌时间序列的最大Lyapunov指数预测方法150

9.7.1 最大Lyapunov指数预测算法设计150

9.7.2 最大Lyapunov指数预测仿真实验150

9.8 小结155

参考文献155

第10章 组合预测理论及其在交通信息预测中的应用研究157

10.1 概述157

10.1.1 组合预测的必要性157

10.1.2 组合预测的优势157

10.1.3 交通信息组合预测研究历程158

10.2 交通信息线性组合预测理论159

10.2.1 线性组合预测基本理论159

10.2.2 递归等权线性组合预测方法161

10.2.3 线性组合预测中的几个热点问题161

10.3 非线性组合预测及其在交通信息预测中的应用研究163

10.3.1 非线性组合预测原理及其算法设计163

10.3.2 灰色与多项式非线性组合预测仿真实验164

10.4 组合预测理论的重要新进展166

10.5 小结167

参考文献167

第11章 基于多Agent的交通信息智能预测系统设计169

11.1 概述169

11.2 多Agent理论169

11.2.1 Agent的概念和特性169

11.2.2 Agent的认知模型170

11.2.3 Agent的体系结构170

11.2.4 多Agent的基本思想171

11.3 基于多Agent理论的智能预测系统结构172

11.4 基于多Agent理论的交通信息智能预测175

11.4.1 基于多Agent的交通信息智能预测流程175

11.4.2 交通信息智能预测系统中的Agent类别176

11.4.3 交通信息智能预测系统仿真176

11.5 小结179

参考文献179