云计算：在智能交通系统中的应用

7.3.3 动态交通信息发布模块的设计

7.3.2 交通信息解析和预处理模块的设计

7.3.1 交通服务信息采集模块的设计

7.3 系统软件架构设计

7.2 系统总体设计模型

7.1 系统需求分析

第7章 智能交通云系统的设计

6.4.3 协同结果

6.4.2 部分程序代码设计

6.4.1 算法参数设置

6.4 协同模型的应用实例

6.3.4 协同模型求解算法

6.3.3 遗传算子

6.3.2 评价函数

6.3.1 染色体编码与解码

6.3 基于MR的并行遗传算法求解协同模型

6.2.6 模型的数学表达

6.2.5 约束条件的确定

6.2.4 行程时间的表达

6.2.3 目标函数的建立

6.2.2 协同时机判断

6.2.1 建模思想

6.2 交通瓶颈控制与诱导协同模型的建立

6.1.3 交通控制与诱导协同的特点

6.1.2 交通控制与诱导协同的必要性

6.1.1 交通控制与诱导协同的含义

6.1 交通控制与诱导协同

第6章 云计算在交通控制与诱导协同中的应用

5.2.4 并行遗传算法的应用实例

5.2.3 基于云计算的城市路网最短路径并行遗传算法

5.2.2 MapReduce模型算法

5.2.1 并行遗传算法

5.2 基于MR的遗传算法求解城市路网最短路径

5.1.4 行车路线优化子系统

5.1.3 交通信息服务子系统

5.1.2 车辆定位子系统

5.1.1 交通流采集子系统

5.1 交通流诱导系统

第5章 云计算在交通流诱导中的应用

4.5.4 基于模糊神经网络的区域交通信号控制方法

4.5.3 模糊神经网络学习算法

4.5.2 模糊神经网络模型

4.5.1 模糊神经网络简介

4.5 基于云计算的区域交通控制方法

4.4.5 基于MR和混合遗传算法优化绿信比

4.4.4 惩罚函数法

4.4.3 优化目标函数

4.4.2 混合遗传算法

4.4.1 遗传算法简介

4.4 基于云计算的绿信比优化方法

4.3.2 辅助评价指标

4.3.1 主要评价指标

4.3 信号交叉口运行效率评价指标

4.2.6 区域交通控制方法

4.2.5 区域交通控制系统的工作原理

4.2.4 相序安排

4.2.3 相位相序方案设计

4.2.2 交通信号灯设置依据

4.2.1 交通信号控制的基本概念

4.2 交通控制系统基本理论

4.1.2 交通信号控制空间分类

4.1.1 交通信号控制方式

4.1 交通信号控制

第4章 云计算在交通信号控制中的应用

3.3 动态交通瓶颈预测

3.2.3 交通参数预测的应用实例

3.2.2 基于MR和GA-SVM的短时交通流预测方法

3.2.1 交通流时空相关性分析

3.2 交通参数预测

3.1.2 MR-FCM算法在区域交通状态识别中的应用实例

3.1.1 基于MR的K-means算法在交通瓶颈识别中的应用实例

3.1 交通状态判别

第3章 云计算在交通信息处理中的应用

2.4.4 云计算在交通指挥和调度中的应用

2.4.3 云计算在交通诱导服务中的应用

2.4.2 云计算在交通控制服务中的应用

2.4.1 云计算在交通流数据采集与处理中的应用

2.4 云计算在智能交通系统中的应用实例

2.3 智能交通云系统的基本框架

2.2.2 Hadoop

2.2.1 云计算

2.2 云计算和Hadoop

2.1 云计算应用于智能交通系统的必要性分析

第2章 智能交通系统云框架构建

1.5.2 模型算法

1.5.1 协同模式

1.5 国内外交通控制与诱导协同研究

1.4.4 中国

1.4.3 欧洲

1.4.2 日本

1.4.1 美国

1.4 国内外交通诱导研究

1.3 国内外交通信号控制研究

1.2 国内外道路交通状态判别研究

1.1.5 其他模型

1.1.4 基于混合理论的模型

1.1.3 基于知识发现的智能模型

1.1.2 基于非线性理论的模型

1.1.1 基于线性理论的模型

1.1 国内外交通参数短时预测研究

第1章 绪论

前言

内容简介

版权信息

封面

封面

版权信息

内容简介

前言

第1章 绪论

1.1 国内外交通参数短时预测研究

1.1.1 基于线性理论的模型

1.1.2 基于非线性理论的模型

1.1.3 基于知识发现的智能模型

1.1.4 基于混合理论的模型

1.1.5 其他模型

1.2 国内外道路交通状态判别研究

1.3 国内外交通信号控制研究

1.4 国内外交通诱导研究

1.4.1 美国

1.4.2 日本

1.4.3 欧洲

1.4.4 中国

1.5 国内外交通控制与诱导协同研究

1.5.1 协同模式

1.5.2 模型算法

第2章 智能交通系统云框架构建

2.1 云计算应用于智能交通系统的必要性分析

2.2 云计算和Hadoop

2.2.1 云计算

2.2.2 Hadoop

2.3 智能交通云系统的基本框架

2.4 云计算在智能交通系统中的应用实例

2.4.1 云计算在交通流数据采集与处理中的应用

2.4.2 云计算在交通控制服务中的应用

2.4.3 云计算在交通诱导服务中的应用

2.4.4 云计算在交通指挥和调度中的应用

第3章 云计算在交通信息处理中的应用

3.1 交通状态判别

3.1.1 基于MR的K-means算法在交通瓶颈识别中的应用实例

3.1.2 MR-FCM算法在区域交通状态识别中的应用实例

3.2 交通参数预测

3.2.1 交通流时空相关性分析

3.2.2 基于MR和GA-SVM的短时交通流预测方法

3.2.3 交通参数预测的应用实例

3.3 动态交通瓶颈预测

第4章 云计算在交通信号控制中的应用

4.1 交通信号控制

4.1.1 交通信号控制方式

4.1.2 交通信号控制空间分类

4.2 交通控制系统基本理论

4.2.1 交通信号控制的基本概念

4.2.2 交通信号灯设置依据

4.2.3 相位相序方案设计

4.2.4 相序安排

4.2.5 区域交通控制系统的工作原理

4.2.6 区域交通控制方法

4.3 信号交叉口运行效率评价指标

4.3.1 主要评价指标

4.3.2 辅助评价指标

4.4 基于云计算的绿信比优化方法

4.4.1 遗传算法简介

4.4.2 混合遗传算法

4.4.3 优化目标函数

4.4.4 惩罚函数法

4.4.5 基于MR和混合遗传算法优化绿信比

4.5 基于云计算的区域交通控制方法

4.5.1 模糊神经网络简介

4.5.2 模糊神经网络模型

4.5.3 模糊神经网络学习算法

4.5.4 基于模糊神经网络的区域交通信号控制方法

第5章 云计算在交通流诱导中的应用

5.1 交通流诱导系统

5.1.1 交通流采集子系统

5.1.2 车辆定位子系统

5.1.3 交通信息服务子系统

5.1.4 行车路线优化子系统

5.2 基于MR的遗传算法求解城市路网最短路径

5.2.1 并行遗传算法

5.2.2 MapReduce模型算法

5.2.3 基于云计算的城市路网最短路径并行遗传算法

5.2.4 并行遗传算法的应用实例

第6章 云计算在交通控制与诱导协同中的应用

6.1 交通控制与诱导协同

6.1.1 交通控制与诱导协同的含义

6.1.2 交通控制与诱导协同的必要性

6.1.3 交通控制与诱导协同的特点

6.2 交通瓶颈控制与诱导协同模型的建立

6.2.1 建模思想

6.2.2 协同时机判断

6.2.3 目标函数的建立

6.2.4 行程时间的表达

6.2.5 约束条件的确定

6.2.6 模型的数学表达

6.3 基于MR的并行遗传算法求解协同模型

6.3.1 染色体编码与解码

6.3.2 评价函数

6.3.3 遗传算子

6.3.4 协同模型求解算法

6.4 协同模型的应用实例

6.4.1 算法参数设置

6.4.2 部分程序代码设计

6.4.3 协同结果

第7章 智能交通云系统的设计

7.1 系统需求分析

7.2 系统总体设计模型

7.3 系统软件架构设计

7.3.1 交通服务信息采集模块的设计

7.3.2 交通信息解析和预处理模块的设计

7.3.3 动态交通信息发布模块的设计