一、分布式数据库在高速公路联网收费系统中的应用（论文文献综述）
敏玥[1]（2021）在《高速公路多义性路径标识站布设效果评价研究》文中进行了进一步梳理随着取消全国高速公路省界收费站,不停车快捷收费的高速公路收费制度的改革,高速公路联网收费的核心问题变为如何识别车辆的精确行驶路径。通过在高速路网中布设多义性路径标识站,标识车辆行驶信息达到精确识别路径和精准收费的目的。标识站的合理布设影响高速收费系统的工作效率。为了实现高速路网标识站布设方案“经济、合理、高效”的目标,尽大可能地保护各方利益,本文开展了高速公路多义性标识站布设效果评价研究,提出了基于EWM-TOPSIS法的标识站布设方案评价方法。此外,车辆轨迹信息存在丢失情况,则会引发车辆通行费无法精确收取与拆分的问题,影响标识站布设方案的工作效率。因此,本文提出了基于行程时间特征的车辆路径轨迹重构方法,并将重构轨迹运用于标识站布设方案评价。首先,本论文提出了基于行程时间特征的车辆路径轨迹重构方法。通过Space L建模方法构建高速公路网络的拓扑结构,基于Kruskal算法、路段最小流量原则和余边集理论确定了路网的多义性路径标识站初始布设方案。针对方案中车辆行驶轨迹缺失的场景,结合实际路网信息,找寻与缺失轨迹同起讫点的可能路径获得备选路径集;建立可容忍距离边界法,筛选备选路径集中符合条件的可能路径构造还原路径集;分析还原路径集中可能路径的行程时间特征,运用概率论的思想,找寻最优可能路径,较为真实地还原车辆行驶路径。其次,本论文提出了基于EWM-TOPSIS法的标识站布设方案评价方法。阐述了指标体系构建原则,定义了路网轨迹识别率和轨迹重构准确率,创新地将轨迹重构方法应用于方案评价中,并对评价指标的必要性进行验证。从经济成本和技术条件两方面确定了5个决策指标（建设费用、系统费用、维护费用、路网轨迹识别率和轨迹重构准确率）建立了评价指标体系,构建了EWM-TOPSIS模型。最后,本论文进行了基于数值仿真的案例分析。运用MATLAB软件进行数值仿真,以简单重复式和完全分布式两种标识站布设方式为基础,结合基于行程时间特征的车辆路径轨迹重构方法和基于EWM-TOPSIS法的标识站布设方案评价方法,完成标识站布设方案的定量分析,获得最佳的布设方案和布设方式。
兰良[2]（2021）在《基于广西高速公路收费数据的行程时间预测及其应用》文中指出随着我国社会经济迅速发展,汽车保有量持续增加,公众跨区域出行需求日益增强,对高速公路的需求远远超过其建设速度,使得高速公路承担的通行压力越来越大,从而导致道路拥堵、交通事故频频发生,高速公路整体服务水平大大降低。为了缓解经济发展带来的交通运输压力,使资源最优化,我国加大对智能交通系统（ITS）的研究与建设力度。高速公路行程时间预测是智能交通系统建设的重要内容之一。本文以广西高速公路收费数据为基础,提出一种适用于广西高速公路的行程时间预测方法。主要完成的工作包括以下三点:（1）提出一种针对广西高速公路收费数据特点的数据清洗方法,提高数据集质量。首先利用出口原始收费数据表中的出口时间和入口时间字段计算各车辆行程时间,接着根据规则剔除异常数据、使用正态分布的“3σ”原则筛选有效数据,最后化简数据表,仅保留研究所需字段。（2）提出一种适用于广西高速公路的行程时间预测方法。首先构建行程时间的特征工程,以预测时间段的前3期时间区间的平均行程时间、车型、车类、周天、小时作为特征变量,用最大最小标准化方法对数值型特征归一化处理,用one-hot编码对分类型特征进行处理;然后分别使用随机森林算法和BP神经网络建立高速公路行程时间预测模型,最后以广西高速公路六景至南宁东段的数据为研究对象,对模型进行训练以及对预测结果进行验证、评价。结果表明,BP神经网络比随机森林算法更适合用于搭建高速公路行程时间预测模型。基于BP神经网络的预测模型泛化能力更好,平均绝对百分比误差（MAPE）和均绝对误差（MAE）分别为6.23%和116秒,为可接受的误差范围。（3）将行程时间预测模型应用于已建成的“智慧高速一体化平台”系统中。基于python语言和pytorch框架搭建行程时间预测模型,通过socket实现“智慧高速一体化平台”系统后台与预测模块跨语言、跨平台的通信连接,使用Spring调用python进程提供的服务实现预测功能。将本论文的研究成果应用于实际生产中,让管理部门及时了解高速公路交通变化趋势,做好交通诱导和管控工作;出行者可根据预测时间提前规划行车路线,有效避开拥堵路段,节约出行成本,降低车辆能源消耗,减少尾气排放和噪音污染,具有良好的社会效益。
岳春龙,赵明[3]（2021）在《黑龙江智慧高速预约通行系统》文中研究指明随着出行者日益增长的出行服务需求,如何为出行者提供多元化、更便捷的出行方式,如何为高速公路业主提供更高效、更可靠的收费模式,减少人员及设备维护支出,已成为高速公路运营管理部门需要考虑解决的问题。本文详细阐述了黑龙江省移动支付方式的建设与应用,通过电子围栏技术、云技术、互联网技术、移动通信技术等实现省高速公路预约通行。
王玉胜[4]（2020）在《基于大数据的齐鲁交通车主服务流程再造研究》文中进行了进一步梳理大数据和人工智能已渗透到各行各业,成为驱动生产业务发展的重要因素。国务院“十三五”规划,明确提出“要加快构建高速、移动、安全、泛在的新一代信息基础设施,推动互联网、大数据、人工智能同实体经济深度融合”。高速公路行业是大数据发展、开发、利用、推广的重点行业之一,因此充分发掘、利用好高速公路行业大数据以推动行业整体发展,便利高速公路车主成为大势所趋。本文以齐鲁交通车主服务业务为研究对象,首先对齐鲁交通的业务和车主服务现状进行介绍,通过调查问卷和现有客户反馈数据进行分析,发现车主服务存在服务流程不规范、信息提醒服务不精准、车主总体满意度不高等问题,通过车主服务流程再造的需求分析确定流程再造的必要性;然后建立基于大数据的流程再造模型,依托大数据技术手段对齐鲁交通的车主服务流程进行再造与优化;最后利用基于大数据的流程再造成果设计了大数据智能客户服务平台、大数据辅助决策等系统为车主提供更加精准的服务,为业务部门提供辅助决策,为车主提供更优质的服务。研究发现,目前齐鲁交通的车主服务还存在流程不规范;信息不同步、不具体;车主智能提醒与诱导服务不准确、不精准等问题。大数据建设和利用也存在两方面的问题:一是数据建设方面,存在数据量大、数据源杂乱、开放共享程度低、数据质量不高、资源流通不畅、价值难以被有效挖掘利用;二是数据应用方面,存在大数据应用领域少、应用质量不高、总体把控管理力度不够的问题。本文研究结果表明:依据流程再造的成果深入挖掘车主的基本信息、行驶数据、消费数据、出行偏好、车辆信息等数据,能够有效提高大数据应用质量,延伸大数据应用领域,为广大车主提供更加精准的车主服务,提高车主的满意度。本文的创新点主要包括两方面:一是将大数据与流程再造管理理论相结合,构建了基于大数据的流程再造模型。流程再造有大数据分析的数据支撑作为依据使得流程再造过程更加合理,结果更加准确。二是将流程再造的部分成果固化为大数据信息系统平台反过来再支撑车主服务的流程优化,为持续流程再造提供数据模型的支撑。
李承远[5]（2020）在《取消省界收费站后的高速公路通行费用实时计算方案优化研究》文中指出为实现取消全国高速公路省界收费站,车辆通过省界不停车收费的工作目标,交通部提出以电子快捷收费为主、以车牌图像识别为辅、多种识别和支付手段融合应用的技术路径,对高速公路上所有车辆（包括ETC车辆和MTC车辆）实施分段计费。然而,各类型设备识别精度不够、恶意屏蔽通信、偷逃费行为增多及网络安全风险等种种原因导致部分车辆仍然存在路径信息缺失的情况。现行的查询对比方法环节较多耗时过长,难以达成车辆通过收费站不停车收费的目标。目前在路径信息缺失情况下使用的实时计算方案主要为费率表查询法,在省界收费站拆除后路网结构的叠加导致费率表计算复杂度呈几何级增长,同时高速公路仍在不断建设联网接入系统,费率表更新频繁,采用费率表法枚举的全部路径会有十分庞大的数据量,参数的生成、存储、传输、运算和特殊情况处理都将成为问题。本文通过分析对比现行各种方案的技术路线、适用范围及存在不足后,提出将基于异构并行计算的最短路径算法应用到高速公路多义性路径收费中,使车道收费站利用商品化的桌面级计算机即可具备实时计算大规模路网中任意两个节点间最短路径的能力。论文主要工作如下:（1）按照图论建立高速公路的路网模型,提出取消省界收费站后高速公路路网数据方式及费率表模型。将CUDA的最短路径算法引入大规模高速公路路网费率实时计算方案,使车道收费站实现在50-100ms内对大规模路网中任意两个节点之间最短路径进行实时计算,提高了路径信息缺失车辆的收费效率。（2）使用集成16GB内存的Intel Corei5 CPU、6GB内存的Ge Force GTX1060 GPU的计算机对十万级站点规模的虚拟路网进行测试对比,并将实际费率导入到虚拟路网中,针对路径信息缺失路段的车辆通行费用进行仿真计算和分析,论证了实时计算方案的技术可行性和先进性,对进一步优化高速公路收费工作具有实际工程意义。
邹嵩涵[6]（2020）在《面向高速公路收费数据的异常行为分析与应用》文中研究说明高速公路路网的建设是区域经济发展不可或缺的助推器。与此同时,各种形式的偷逃通行费的现象也层出不穷,造成了国家财政收入的巨大损失。高速公路联网收费系统的广泛普及,使得车辆的每一次通行和缴费行为都可追踪。对收费历史记录中相关字段进行分析可以发现其中的异常特征。然而,现有的利用人工稽查的方式效率低下,如何借助数据挖掘技术实现对高速公路联网收费系统中异常数据的检测,进而分析异常数据反映出的车辆存在的异常行为特征,是当前各地交通监管部门需要解决的重点问题。因此,本文将数据挖掘技术与高速公路异常行为分析业务相结合,设计了具体的算法模型,应用于高速公路联网收费数据的异常检测和车辆异常行为特征分析中。本文的主要工作如下:（1）对于数据集维度高的问题,提出了基于密度峰值的特征选择算法。以特征的最大信息系数为度量,基于密度峰值聚类的思想,定义了特征重要性指标,得到了降维后的特征子集。通过实验证明了特征子集能够较好地代表全部数据的特征。最后对高速公路数据集进行降维。（2）对于DBSCAN聚类算法效果受输入参数影响较大的问题,提出通过KMeans算法自适应确定DBSCAN的参数。对于DBSCAN算法的时间复杂度高的问题,改进了算法的邻域查询方式。通过实验证明了改进的DBSCAN算法能够提高聚类效果和执行效率。（3）对于Eclat关联规则算法的频繁项集进行自连接产生大量候选项集的问题,借鉴Apriori算法的剪枝思想,对频繁项集进行剪枝优化。对于Eclat算法产生冗余规则的问题,引入了兴趣度模型。通过实验证明了改进算法能够提高运算效率,并且能产生更有价值的关联规则。（4）设计并实现了高速公路异常行为分析系统,集成了数据管理、数据分析和结果展示三个主要功能模块。用户可以根据业务需求选择算法模型,对业务数据进行分析,具有较高的实际应用价值。
何家辉[7]（2020）在《基于Hadoop的高速公路OD分析系统研究与实现》文中研究指明高速公路OD数据是支撑高速公路运营管理的一类重要数据,其可用来实现对高速公路路网中各区段的车辆出行分布、通行效率等情况的详细掌握,从而有助于高速公路路网的通行诱导、拥堵情况疏解、利用效率提升。随着我国高速公路网建设的完善,OD分析的需求越来越高,由于高速公路相关数据的规模增大,传统处理方式不但对数据的使用效率低,而且出错率高。因此,如何利用现有高速公路运行数据（特别是收费站点的过车数据）得到高速公路OD数据并有效分析管理是当前高速公路智能化建设中的一个重要问题。为此,针对高速公路OD数据的生成和分析的问题,本文设计并实现了一个基于Hadoop的高速公路OD分析系统,其中的具体工作如下:1.对于高速公路收费大数据的数据质量上存在缺陷等问题,提出了一种用于生成高速公路OD分析基础数据的数据预处理方法。该方法通过对高速公路收费站过车原始数据的判断和过滤保证数据的有效性,并针对数据出现不完整的情况,采用基于历史数据补全或剔除的方式进行处理,以得到后续用于生成OD矩阵的OD分析基础数据。同时,为了OD矩阵生成时减少读取数据的耗时,设计了OD分析基础数据存储模型和辅助索引表,以便于数据存储和后续查询。2.在高速公路OD分析基础数据的基础上,给出了高速公路OD矩阵数据的相关定义,而后设计了基于Key-Value的高速公路OD矩阵数据存储模型以及基于Map Reduce的高速公路OD矩阵生成系列算法,以支持不同类型、不同时间周期、不同对象的OD矩阵高效计算与有效存储。此外,为了减少OD矩阵生成计算时间,提高计算效率,给出了一种高速公路OD矩阵生成中短作业优先的多Map Reduce作业执行调度方法。3.设计实现了一个高速公路OD数据分析系统。系统提供了高速公路OD数据生成管理、基于时空维度的高速公路OD数据查询和可视化展示等功能,并提供了可定制化的查询服务和时空聚合查询支持。该系统已应用到了某省高速公路联网运行分析应用项目中,并通过基于该省1年真实高速公路收费站过车数据的实验,表明了系统在高速公路OD数据生成计算性能和OD矩阵数据存储消耗方面都具有较好的效果。
黄子敬[8]（2020）在《基于时空注意力机制的高速公路多收费站多时段出口流量预测方法研究》文中认为随着高速公路网线建设越发趋向饱和,利用智能交通系统提升高速公路运营管理水平,以应对快速增长的出行需求和有限的道路供应间的矛盾,重要性越发凸显。交通流量作为ITS的基础性参数,对其实现精准预测、尤其是对未来较长时间范围多时段细粒度流量的预测,是亟待解决的关键技术难题。高速公路作为全封闭收费公路,信息化水平较高,其收费系统积累了海量历史收费流水数据,且持续自动生成实时数据,这为数据驱动的交通状态预测模型提供了关键支撑。然而在实际生产环境中,由于收费软件的缺陷导致部分实时流量数据的获取存在一定延迟,因此为了提高预测模型输入数据质量,需要加入缺失数据补全的预处理环节。本论文以海量数据为驱动,从目标流量形成机制出发,综合考虑多维度、多因素关联以及实际生产环境存在的条件限制,对如何实时准确预测区域内多个高速公路收费站出口流量进行了深入研究,旨在为提高高速公路交通管控诱导水平提供基础性支撑,研究工作如下:1.针对因数据传输存在延迟而导致近期入口流量数据部分缺失的问题,考虑到缺失位点流量与邻近时空观测流量存在关联,且缺失数据补全属于无监督学习问题,提出基于生成对抗网络的收费站入口流量实时数据缺失补全模型。通过实例验证了所提出模型的补全误差低于常用模型。补齐输入向量维度的同时,保证了输入数据的质量。2.利用广东省全省收费站出口流水数据,分析了广东省高速公路收费站出口流量来源空间分布情况。根据到达收费站车辆的平均行程时间,将收费站流量吸引分为近程吸引、中程吸引、远程吸引三类。并通过选取典型站分析其流量来源分布密度,发现单站流量来源存在明显的集聚现象、流量来源分布与区域经济发展水平有着密切的关系。为后续提出主要以入口站流量为输入特征、加入注意力机制的预测模型提供了思路来源。3.从微观交通演变、宏观趋势关联的方面分析了出口流量与入口流量的关联机制,提出存在局部空间关联、局部时间关联、整体空间关联三大机制,并分析发现关联机制具有时变性。此外通过分析收费站历史出口流量时间分布,发现出口流量自身具有时变规律和近期趋势延续性。为预测模型的构建提供了交通知识储备。4.基于分析所得收费站出口流量关联机制,提出以目标站的周边站或已知可能强关联站之历史入口流量序列为主要输入特征,在嵌入LSTM神经网络的Encoder-Decoder框架中加入时间、空间注意力机制以使模型具备挖掘并放大强关联时空特征的能力,此外加入自身历史流量序列和时间属性序列作为外部特征,构建了高速公路多收费站多时段出口流量预测模型。5.选取广州市北部高速公路路网关键区域作为实验区域,预测区内共14个收费站未来2小时共8时段的15分钟出口流量。通过提取分析训练过程的时空注意力权重向量,验证了空间和时间注意力权重分布的合理性,强化了模型训练过程的可解释性。并通过比较不同模型的整体误差和单点误差,验证了模型各模块的有效性。
杨朋涛[9]（2020）在《基于大数据的通行费异常车辆识别算法研究》文中研究指明高速公路联网收费系统存储了大量的行车数据,如何从海量的数据中挖掘出有用的价值信息,从而高效识别通行费异常车辆,降低高速公路运营损失,成为当前研究的重点内容。大数据的兴起为交通管理带来了便利,利用数据挖掘技术,分析车辆行驶特征,提取重要行为属性,建立异常车辆识别模型,可提高高速公路运营管理效率,精准稽查异常车辆。为充分利用高速公路联网大数据,本文首先对高速公路联网收费系统进行系统的研究,从系统的结构与功能出发,掌握数据存储的原理,进而有效分析联网收费数据的特点以及常规数据模型。并对异常车辆中的逃费现象进行分类,为逃费车辆的识别预测奠定基础。采用min-max规范化方法对数据进行规范化处理,并对类型变量进行虚拟化处理,为了防止数据非平衡带来的过拟合现象,运用SMOTE过抽样算法平衡数据集。经过数据的分析处理,本文通过将随机森林与逻辑回归结合的方法,建立逃费行为预测模型,并利用神经网络对逃费类型进行精准识别,通过混淆矩阵以及ROC曲线对模型的预测效果进行评价。利用随机森林筛选特征变量,从而建立逻辑回归预测模型具有很高的精度,模型预测召回率达到94.71%,AUC值达到96%,表明对逃费车辆的概率预测模型具有很高的稳定性和可靠性;采用神经网络对逃费车辆的识别效果显着,模型识别准确率达95%,且模型在每一种逃费类型识别中召回率均达到90%以上。结果表明,结合高速公路联网收费数据,采用大数据处理方法,将随机森林、逻辑回归、神经网络模型相结合,建立逃费车辆预测模型,对车辆逃费类型进行识别具有很高的应用价值。
王璐[10]（2020）在《基于spark streaming的云南公路联网实时计算系统设计与实现》文中提出传统行业向数字化转型是近年来企业发展的趋势,企业数据资源随着企业生产活动中各个信息系统的应用迅速增长,ERP、CRM、HR、OA等办公系统逐渐成为企业信息化建设的标准配置,随之产生的海量数据仅作为商业机密存储在数据库中,没有发挥数据资源应有的作用。近几年不断涌现的中间件技术发展迅速,逐渐形成了一条数据自动采集和处理的流程,并通过数据仓库的形式对数据资源进行管理,从而为运营决策形成有参考价值的数据资产,突显出了数据资源的可创造性商业价值。在2019年,这一体系化的企业数字化转型工程被称之为“数据中台”,本文所述的“大数据计算平台”则是“数据中台”中的重要组成部分。云南省公路的多个信息系统产生的数据量大且种类多,迫切需求一个大数据实时计算平台,采集生产系统数据,并提供全流程的数据计算服务,以满足通行数据分析,收入运营分析,通行记录费用稽核的各种需求。云南省公路联网系统目前采用hive离线计算方式进行数据分析与通行记录外部稽核计算,此种方式需要等待数据到达后定时采集入库,再利用hive离线计算进行批数据处理,任务排队等待,最后计算结果数据输出。这种离线计算方式的缺点是数据流转周期过长,无法支撑大数据实时计算的应用场景。在现实场景中,以云南省公路联网系统hive离线计算平台为例,针对PB级数据关联运算,至少需要12小时的流转周期才能完成一个批次任务结果数据的计算。为解决云南公路联网项目现有的hive离线计算平台数据采集处理流转周期长、延时高的问题,本文对大数据计算平台及其内部计算技术进行深入研究,主要研究内容如下:1.研究云南省公路联网各数据生产子系统的数据特征,探究流计算引擎spark streaming在云南省公路联网系统中进行通行数据分析,收入运营分析,稽核数据等实时计算场景中的可用性和可操作性。2.通过研究各行业领域流数据处理计算系统,为云南省公路联网系统设计和实现基于交通领域场景的实时计算系统。3.依据前两项研究的成果,本文在spark环境下,针对云南省公路联网收费的实时计算应用场景进行从功能到技术的需求分析,系统研究设计并最终实现了实时计算平台,该平台主要包括流数据管理、流数据处理计算、数据查询和数据工厂四大模块。该平台模块化公路联网收费领域常用的具体数据处理操作,并固化流数据处理流程,将其抽象成流作业进行系统化运行。该平台前端页面设计拖拽式组件以方便业务运营人员的使用。本文研究并实现的基于spark streaming的实时计算平台已在云南公路联网项目中完成生产开发,在2020年1月1日全国取消省界收费站切换后正式上线支撑日常业务分析及道路运营监测,对高速交通偷、逃费行为进行稽核整治。
二、分布式数据库在高速公路联网收费系统中的应用（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、分布式数据库在高速公路联网收费系统中的应用（论文提纲范文）
（1）高速公路多义性路径标识站布设效果评价研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 车辆轨迹重构研究综述 |
| 1.2.2 标识站布设方案评价方法研究综述 |
| 1.2.3 研究现状总结 |
| 1.3 研究内容与技术路线 |
| 1.3.1 论文研究内容 |
| 1.3.2 论文技术路线 |
| 1.3.3 论文章节安排 |
| 第二章 基于行程时间特征的车辆路径轨迹重构方法 |
| 2.1 标识站选址模型构建 |
| 2.1.1 基于Space L法的高速路网建模 |
| 2.1.2 基于流量最小原则的标识站选址方法 |
| 2.2 路网车辆轨迹特征分析 |
| 2.2.1 高速收费数据信息 |
| 2.2.2 缺失轨迹信息类型 |
| 2.2.3 缺失轨迹的特征表示 |
| 2.3 轨迹重构方法 |
| 2.3.1 备选路径集获取 |
| 2.3.2 还原路径集构造 |
| 2.3.3 路径行程时间特征分析 |
| 2.3.4 最优可能路径找寻 |
| 2.4 实例应用 |
| 2.4.1 研究场景概况 |
| 2.4.2 初始标识站布设方案 |
| 2.4.3 轨迹重构及结果分析 |
| 2.5 本章小结 |
| 第三章 基于EWM-TOPSIS法的标识站布设方案评价方法 |
| 3.1 评价指标体系的构建原则 |
| 3.1.1 科学性原则 |
| 3.1.2 可比性原则 |
| 3.2 评价指标体系构建 |
| 3.2.1 指标体系分析 |
| 3.2.2 经济指标确定 |
| 3.2.3 技术指标确定 |
| 3.2.4 指标必要性的验证 |
| 3.2.5 评价指标体系 |
| 3.3 标识站布设方案评价模型构建 |
| 3.3.1 EWM理论 |
| 3.3.2 TOPSIS算法 |
| 3.3.3 EWM-TOPSIS模型构建 |
| 3.4 本章小结 |
| 第四章 基于数值仿真的案例分析 |
| 4.1 仿真环境介绍 |
| 4.1.1 轨迹数据获取 |
| 4.1.2 缺失数据筛选 |
| 4.1.3 仿真路网选取 |
| 4.1.4 标识站局部布设方式 |
| 4.2 仿真场景设计 |
| 4.2.1 方案一:简单重复式 |
| 4.2.2 方案二:简单重复式与识别率 |
| 4.2.3 方案三:完全分布式 |
| 4.2.4 方案四:完全分布式与识别率 |
| 4.3 标识站布设方案评价 |
| 4.3.1 评价指标权重确定 |
| 4.3.2 相对近接度计算 |
| 4.3.3 评价结果分析 |
| 4.4 本章小结 |
| 第五章 结论与展望 |
| 5.1 主要结论 |
| 5.2 研究展望 |
| 参考文献 |
| 附录A |
| 在学期间的研究成果 |
| 致谢 |
（2）基于广西高速公路收费数据的行程时间预测及其应用（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.2 国内外研究现状 |
| 1.3 研究目的与意义 |
| 1.4 研究内容与章节安排 |
| 1.4.1 研究内容 |
| 1.4.2 章节安排 |
| 第二章 高速公路联网收费数据的采集与处理 |
| 2.1 数据来源与数据结构 |
| 2.2 研究对象 |
| 2.3 数据预处理 |
| 2.4 收费数据预处理实例 |
| 2.5 本章小结 |
| 第三章 高速公路行程时间预测 |
| 3.1 行程时间预测方法选择 |
| 3.2 构建特征向量 |
| 3.2.1 特征选择 |
| 3.2.2 特征处理 |
| 3.2.3 特征确定 |
| 3.3 基于BP神经网络的行程时间预测 |
| 3.3.1 BP神经网络概述 |
| 3.3.2 基于BP神经网络的行程时间预测模型构建 |
| 3.3.3 BP神经网络模型预测流程 |
| 3.4 基于随机森林的行程时间预测 |
| 3.4.1 随机森林概述 |
| 3.4.2 基于随机森林的行程时间预测模型构建 |
| 3.4.3 随机森林模型预测流程 |
| 3.5 预测模型实例分析与对比 |
| 3.5.1 交通数据准备 |
| 3.5.2 实验设计主要过程 |
| 3.5.3 实验结果分析与对比 |
| 3.6 本章小结 |
| 第四章 行程时间预测子模块设计与实现 |
| 4.1 行程时间预测子模块框架 |
| 4.1.1 子模块需求分析 |
| 4.1.2 子模块总体框架 |
| 4.2 行程时间子模块设计 |
| 4.3 行程时间子模块实现 |
| 4.4 行程时间预测模块界面 |
| 4.5 本章小结 |
| 第五章 总结与展望 |
| 5.1 总结 |
| 5.2 不足之处与研究展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间发表论文情况 |
（4）基于大数据的齐鲁交通车主服务流程再造研究（论文提纲范文）
| 中文摘要 |
| ABSTRACT |
| 第1章 引言 |
| 1.1 研究背景 |
| 1.2 研究目的和意义 |
| 1.3 研究思路和研究方法 |
| 1.4 论文主要内容与论文结构 |
| 1.5 研究的创新点 |
| 第2章 相关理论与文献研究 |
| 2.1 大数据相关理论 |
| 2.1.1 大数据相关概念 |
| 2.1.2 大数据开发技术 |
| 2.1.3 大数据分析技术 |
| 2.2 流程再造理论与研究现状 |
| 2.2.1 流程再造理论 |
| 2.2.2 服务流程再造研究 |
| 2.2.3 高速公路服务流程优化研究 |
| 2.2.4 大数据在服务流程再造中的应用研究 |
| 第3章 齐鲁交通车主服务流程现状与问题分析 |
| 3.1 齐鲁交通业务现状分析 |
| 3.2 齐鲁交通大数据应用现状分析 |
| 3.2.1 数据分类现状分析 |
| 3.2.2 数据应用潜力现状分析 |
| 3.3 齐鲁交通车主服务流程与组织架构现状分析 |
| 3.3.1 车主服务基本情况介绍 |
| 3.3.2 车主服务组织架构现状分析 |
| 3.3.3 车主服务核心业务流程现状分析 |
| 3.3.4 车主服务便利性业务流程现状分析 |
| 3.3.5 车主服务支持性业务流程现状分析 |
| 3.3.6 ASME流程表格增值分析法分析现有流程 |
| 3.4 齐鲁交通车主服务流程问题 |
| 3.4.1 业务流程不规范 |
| 3.4.2 业务流程架构混乱 |
| 3.4.3 业务流程信息不同步 |
| 3.4.4 业务流程不全面 |
| 3.4.5 车主总体满意度不高 |
| 第4章 齐鲁交通车主服务的流程再造与优化 |
| 4.1 齐鲁交通车主服务流程再造的目标 |
| 4.2 齐鲁交通车主服务流程再造需求分析 |
| 4.2.1 车主用户群分析 |
| 4.2.2 车主服务流程再造需求分析 |
| 4.3 齐鲁交通车主服务大数据需求分析 |
| 4.3.1 齐鲁交通运营建设数据规模分析 |
| 4.3.2 省内高速公路车主场景化数据规模分析 |
| 4.4 齐鲁交通车主服务业务流程再造 |
| 4.4.1 车主服务组织架构优化 |
| 4.4.2 核心车主服务流程再造 |
| 4.4.3 智能路况服务流程再造 |
| 4.4.4 车主汽车服务流程再造 |
| 4.4.5 车主金融服务流程再造 |
| 4.4.6 车主保险服务流程再造 |
| 4.5 ASME流程表格增值分析法分析再造后流程 |
| 第5章 齐鲁交通车主服务流程优化的大数据平台设计 |
| 5.1 大数据来源与数据采集 |
| 5.1.1 数据来源 |
| 5.1.2 数据采集 |
| 5.2 车主大数据画像的构建 |
| 5.2.1 新流程车主档案标签信息 |
| 5.2.2 新流程车辆标签信息 |
| 5.2.3 新流程驾驶路径行为标签信息 |
| 5.2.4 新流程消费行为标签信息 |
| 5.2.5 新流程活动习惯标签信息 |
| 5.3 车主服务大数据平台设计 |
| 5.3.1 车主服务的设计与数据建模 |
| 5.3.2 车主服务用户画像设计 |
| 5.3.3 大数据车主服务数据抽取与挖掘 |
| 5.3.4 大数据车主数据分析 |
| 5.4 车主服务流程再造成效 |
| 第6章 总结与展望 |
| 6.1 论文总结 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 附录 车主服务情况和问卷满意度调查表 |
| 学位论文评阅及答辩情况表 |
（5）取消省界收费站后的高速公路通行费用实时计算方案优化研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 主要术语 |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.1.1 背景任务 |
| 1.1.2 取消省界站前高速公路联网收费状况 |
| 1.2 取消省界收费站总体技术方案分析 |
| 1.2.1 总体技术路线 |
| 1.2.2 ETC车辆收费方式 |
| 1.2.3 MTC车辆收费方式 |
| 1.2.4 特情处置方式 |
| 1.2.5 “分段计费”技术方案存在问题 |
| 1.3 研究现状 |
| 1.3.1 高速公路多义性路径收费问题研究现状 |
| 1.3.2 费率表查询法分析(以广东省为例) |
| 1.3.3 基于异构并行计算的最短路径算法研究现状 |
| 1.4 研究内容、研究目标及研究方法 |
| 1.4.1 取消省界收费站后路径信息缺失问题小结 |
| 1.4.2 研究内容及研究目标 |
| 1.4.3 研究思路及研究方法 |
| 1.5 论文的章节安排 |
| 1.6 本章小结 |
| 第二章 高速公路收费网络模型和数据结构 |
| 2.1 收费网络的图模型 |
| 2.2 路网生成模型 |
| 2.2.1 路网各要素的编码 |
| 2.2.2 路网模型 |
| 2.3 路网数据结构的存储和表示 |
| 2.3.1 GPU上图的表达方式 |
| 2.3.2 路网数据结构 |
| 2.3.3 路网数据结构优势分析 |
| 2.4 本章小结 |
| 第三章 基于异构并行计算的最短路径算法研究 |
| 3.1 经典的最短路径算法 |
| 3.2 GPU并行计算和CUDA平台简介 |
| 3.2.1 GPU并行计算概述 |
| 3.2.2 CUDA平台简介 |
| 3.3 基于CUDA的 SSSP算法 |
| 3.3.1 算法模型 |
| 3.3.2 算法实现 |
| 3.4 本章小结 |
| 第四章 基于异构计算的大规模高速路网通行费率实时计算方案 |
| 4.1 总体技术路径 |
| 4.2 优化的经典最短路径算法 |
| 4.3 基于CUDA的异构并行最短路径算法 |
| 4.4 计算结果对比 |
| 4.4.1 路网数据选取与构造 |
| 4.4.2 计算结果与分析 |
| 4.5 方案对比和先进性分析 |
| 4.5.1 具备并行处理能力 |
| 4.5.2 提升收费车道通行能力 |
| 4.5.3 经济效益明显 |
| 4.5.4 网络依赖度低,受网络安全风险影响小 |
| 4.5.5 解决CPC卡被屏蔽的问题 |
| 4.5.6 路网数据简单易维护 |
| 4.5.7 防止私自篡改代码,提升安全性能 |
| 4.5.8 与“分段计费”方案形成互补 |
| 4.6 本章小结 |
| 第五章 实际通行费用的仿真分析 |
| 5.1 实际通行费用计算原理 |
| 5.2 实际通行费用计算流程 |
| 5.3 仿真计算结果与分析 |
| 5.4 本章小结 |
| 总结与展望 |
| 总结 |
| 展望 |
| 参考文献 |
| 攻读硕士学位期间取得的研究成果 |
| 致谢 |
| 附件 |
（6）面向高速公路收费数据的异常行为分析与应用（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 国内外研究现状 |
| 1.2.1 高速公路异常行为研究 |
| 1.2.2 数据挖掘在高速公路的应用 |
| 1.3 课题研究内容 |
| 1.4 论文结构 |
| 第二章 相关理论与技术 |
| 2.1 高速公路收费数据概况 |
| 2.1.1 数据维度划分 |
| 2.1.2 典型的异常行为 |
| 2.2 异常检测算法 |
| 2.2.1 基于统计的异常检测 |
| 2.2.2 基于距离的异常检测 |
| 2.2.3 基于聚类的异常检测 |
| 2.2.4 基于密度的异常检测 |
| 2.3 特征工程 |
| 2.3.1 数据预处理 |
| 2.3.2 特征选择 |
| 2.3.3 特征提取 |
| 2.3.4 特征构建 |
| 2.4 关联规则算法 |
| 2.4.1 关联规则的定义 |
| 2.4.2 关联规则的分类 |
| 2.5 本章小结 |
| 第三章 高速公路收费数据预处理技术研究 |
| 3.1 引言 |
| 3.2 高速公路收费数据特点 |
| 3.2.1 数据来源 |
| 3.2.2 数据特点 |
| 3.3 数据预处理方法 |
| 3.3.1 数据清洗 |
| 3.3.2 维度规约 |
| 3.4 基于密度峰值的特征选择算法 |
| 3.4.1 特征度量指标 |
| 3.4.2 基于密度峰值的MDPC算法 |
| 3.4.3 实验结果与分析 |
| 3.5 本章小结 |
| 第四章 高速公路数据异常检测算法研究 |
| 4.1 引言 |
| 4.2 DBSCAN算法介绍 |
| 4.2.1 基本概念 |
| 4.2.2 算法流程 |
| 4.2.3 算法的优缺点 |
| 4.3 基于K-Means的 DBSCAN参数自适应算法 |
| 4.3.1 算法总体思想 |
| 4.3.2 自适应聚类数目的K-Means算法 |
| 4.3.3 K-Means确定DBSCAN的参数 |
| 4.4 改进邻域查询方式的NDBSCAN算法 |
| 4.4.1 算法改进思想 |
| 4.4.2 算法流程 |
| 4.5 实验结果与分析 |
| 4.6 本章小结 |
| 第五章 高速公路异常行为规则挖掘算法研究 |
| 5.1 引言 |
| 5.2 关联规则算法介绍 |
| 5.2.1 Apriori算法 |
| 5.2.2 Eclat算法 |
| 5.3 Eclat的剪枝优化方法 |
| 5.3.1 算法思想 |
| 5.3.2 算法流程 |
| 5.4 引入兴趣度的ItEclat算法 |
| 5.4.1 典型的兴趣度模型 |
| 5.4.2 新的兴趣度模型 |
| 5.4.3 案例分析 |
| 5.5 实验结果与分析 |
| 5.6 本章小结 |
| 第六章 高速公路异常行为分析系统实现 |
| 6.1 系统介绍 |
| 6.1.1 系统目标和实现 |
| 6.1.2 开发运行环境 |
| 6.2 系统总体设计 |
| 6.2.1 系统总体流程 |
| 6.2.2 系统总体架构 |
| 6.3 系统功能模块设计 |
| 6.3.1 数据管理模块 |
| 6.3.2 数据分析模块 |
| 6.3.3 结果展示模块 |
| 6.4 系统可视化展示 |
| 6.5 本章小结 |
| 第七章 总结与展望 |
| 7.1 总结 |
| 7.2 展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士学位期间取得的成果 |
（7）基于Hadoop的高速公路OD分析系统研究与实现（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.2 研究问题 |
| 1.3 研究内容 |
| 第二章 相关工作 |
| 2.1 交通OD(起讫点)分析 |
| 2.2 大数据处理技术 |
| 2.2.1 HBase数据模型和读写原理 |
| 2.2.2 Map Reduce分布式处理模型 |
| 2.3 大数据技术在交通OD分析中的应用 |
| 2.4 本章小结 |
| 第三章 高速公路OD分析需求及数据预处理 |
| 3.1 需求分析 |
| 3.2 高速公路OD数据的预处理 |
| 3.2.1 数据清洗 |
| 3.2.2 数据整理 |
| 3.2.3 OD分析基础数据存储 |
| 3.3 本章小结 |
| 第四章 高速公路OD矩阵生成与管理 |
| 4.1 高速公路OD矩阵定义 |
| 4.2 基于HBase的 OD矩阵存储模型 |
| 4.3 基于Map Reduce的 OD矩阵生成与查询 |
| 4.3.1 OD矩阵的生成算法 |
| 4.3.2 OD矩阵聚合查询算法 |
| 4.4 OD矩阵生成任务执行调度 |
| 4.5 本章小结 |
| 第五章 高速公路OD分析系统实现与应用 |
| 5.1 系统设计与实现 |
| 5.1.1 架构设计 |
| 5.1.2 数据组织 |
| 5.1.3 关键实现 |
| 5.2 系统验证与应用 |
| 5.2.1 实验环境与数据 |
| 5.2.2 性能评估 |
| 5.2.3 系统的应用 |
| 5.3 本章小结 |
| 第六章 总结与展望 |
| 6.1 主要结论 |
| 6.2 研究展望 |
| 参考文献 |
| 在学期间的研究成果 |
| 一、发表论文 |
| 二、参与课题 |
| 致谢 |
（8）基于时空注意力机制的高速公路多收费站多时段出口流量预测方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 交通数据缺失补全 |
| 1.2.2 交通流量预测 |
| 1.3 主要研究内容 |
| 1.4 章节安排 |
| 第二章 交通数据缺失补全基础理论 |
| 2.1 交通数据缺失补全概述 |
| 2.2 数据缺失定义 |
| 2.3 数据缺失处理方法 |
| 2.3.1 删除法 |
| 2.3.2 补全法 |
| 2.4 生成对抗网络 |
| 2.4.1 生成性模型 |
| 2.4.2 基本思想 |
| 2.4.3 模型结构 |
| 2.4.4 目标函数 |
| 2.4.5 训练过程 |
| 2.5 本章小结 |
| 第三章 交通流量预测基础理论 |
| 3.1 交通流量预测概述 |
| 3.2 神经网络 |
| 3.2.1 前向反馈神经网络 |
| 3.2.2 梯度反向传播 |
| 3.3 循环神经网络 |
| 3.4 长短时记忆神经网络 |
| 3.5 Seq2Seq框架 |
| 3.6 注意力机制 |
| 3.7 本章小结 |
| 第四章 基于生成对抗网络的收费站入口流量实时数据补全 |
| 4.1 数据来源 |
| 4.1.1 广东省高速公路联网收费系统 |
| 4.1.2 高速公路收费站入口流水表 |
| 4.1.3 高速公路收费站出口流水表 |
| 4.1.4 实时数据缺失情况分析 |
| 4.2 基于生成对抗网络的收费站入口流量实时数据补全模型 |
| 4.2.1 生成器 |
| 4.2.2 判别器 |
| 4.2.3 提示向量 |
| 4.2.4 目标函数 |
| 4.2.5 训练算法 |
| 4.3 实例验证 |
| 4.3.1 数据集时间跨度 |
| 4.3.2 输入向量尺寸 |
| 4.3.3 缺失数据构建 |
| 4.3.4 模型配置 |
| 4.3.5 评价指标 |
| 4.3.6 结果对比分析 |
| 4.4 本章小结 |
| 第五章 基于时空注意力机制的高速公路多收费站出口流量多时段预测 |
| 5.1 高速公路收费站出口流量来源空间分布分析 |
| 5.2 高速公路收费站出入口流量关联机制分析 |
| 5.2.1 局部空间关联 |
| 5.2.2 局部时间关联 |
| 5.2.3 整体空间关联 |
| 5.2.4 时间特征的影响 |
| 5.2.5 自身发展趋势的延续 |
| 5.3 模型构建 |
| 5.3.1 符号定义 |
| 5.3.2 模型结构 |
| 5.3.3 模型建立 |
| 5.4 实例验证 |
| 5.4.1 准备工作 |
| 5.4.2 结果初步分析 |
| 5.4.3 注意力权重合理性验证 |
| 5.4.4 模块有效性验证 |
| 5.5 本章小结 |
| 总结与展望 |
| 本文总结 |
| 未来展望 |
| 参考文献 |
| 攻读硕士学位期间取得的研究成果 |
| 致谢 |
| 附件 |
（9）基于大数据的通行费异常车辆识别算法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.2 研究问题 |
| 1.3 研究现状 |
| 1.3.1 高速公路逃费行为 |
| 1.3.2 数据挖掘技术现状 |
| 1.3.3 高速公路大数据分析 |
| 1.4 研究目的及意义 |
| 1.5 研究内容及技术路线 |
| 1.5.1 研究内容 |
| 1.5.2 技术路线 |
| 第二章 高速公路通行费计取原理及数据处理 |
| 2.1 高速公路收费系统 |
| 2.1.1 系统结构 |
| 2.1.2 系统功能 |
| 2.2 通行费数据分析 |
| 2.2.1 数据特点 |
| 2.2.2 数据模型 |
| 2.3 高速公路逃费行为分类 |
| 2.3.1 假冒类 |
| 2.3.2 作弊类 |
| 2.3.3 缺陷类 |
| 2.3.4 违规类 |
| 2.4 本章小结 |
| 第三章 数据处理及异常车辆特征分析 |
| 3.1 数据格式及清洗方法 |
| 3.1.1 数据格式 |
| 3.1.2 数据清洗方法 |
| 3.2 逃费车辆总体特征 |
| 3.3 逃费车辆空间特征 |
| 3.3.1 行驶轨迹 |
| 3.3.2 出行异常频率 |
| 3.4 逃费车辆时间特征 |
| 3.4.1 节假日出行异常 |
| 3.4.2 高峰出行异常 |
| 3.5 逃费车辆通行费特征 |
| 3.6 本章小结 |
| 第四章 逃费车辆识别算法 |
| 4.1 总体思路 |
| 4.1.1 技术流程 |
| 4.1.2 算法框架设计 |
| 4.2 数据结构化 |
| 4.2.1 数据规范化 |
| 4.2.2 类型变量虚拟化 |
| 4.2.3 数据集抽样 |
| 4.3 基于随机森林-logit回归的逃费预测算法 |
| 4.3.1 随机森林算法 |
| 4.3.2 逻辑回归算法 |
| 4.4 基于神经网络的逃费类型识别算法 |
| 4.4.1 神经网络算法 |
| 4.5 模型评价 |
| 4.5.1 损失函数 |
| 4.5.2 混淆矩阵 |
| 4.5.3 ROC曲线 |
| 4.6 本章小结 |
| 第五章 案例研究 |
| 5.1 数据来源 |
| 5.1.1 基础数据 |
| 5.1.2 数据处理 |
| 5.2 确定逃费车辆数据集 |
| 5.3 逃费车辆识别结果分析 |
| 5.3.1 逃费车辆特征选择 |
| 5.3.2 逃费车辆异常预测结果分析 |
| 5.3.3 逃费车辆类型识别结果分析 |
| 5.4 本章小结 |
| 结论与展望 |
| 致谢 |
| 参考文献 |
| 在学期间发表的论文和取得的学术成果 |
（10）基于spark streaming的云南公路联网实时计算系统设计与实现（论文提纲范文）
| 摘要 |
| Abstract |
| 绪论 |
| 一、项目的背景和意义 |
| 二、国内外研究及工业应用现状 |
| 三、本论文研究的主要内容和创新点 |
| 四、论文结构 |
| 第一章 相关技术概述 |
| 第一节 spark streaming计算引擎概述 |
| 一、Spark及其生态环境 |
| 二、Spark数据计算单元 |
| 第二节 kafka消息中间件概述 |
| 第三节 云南省公路联网离线数据仓库研究 |
| 第二章 系统需求分析和概要设计 |
| 第一节 系统概述和设计目标 |
| 第二节 系统需求分析 |
| 第三节 本章小结 |
| 第三章 系统的详细设计与实现 |
| 第一节 系统各组件选型方案 |
| 一、分布式存储实现流程 |
| 二、分布式计算实现流程 |
| 第二节 功能模块设计实现 |
| 一、仪表盘 |
| 二、流作业管理 |
| 三、输入输出数据管理 |
| 四、计算引擎配置 |
| 五、数据存储配置 |
| 六、缓存信息配置 |
| 七、告警管理 |
| 八、数据一致性和集群稳定性保障 |
| 第三节 系统数据处理流向设计 |
| 第四节 系统数据库表模型设计 |
| 一、流处理实时计算系统数据库ER图 |
| 二、输入输出流数据模型核心表 |
| 三、流处理作业核心表 |
| 四、系统权限管控核心表 |
| 第五节 集群环境搭建 |
| 一、搭建hadoop集群环境 |
| 二、搭建zookeeper分布式集群管理环境 |
| 三、搭建基于hadoop的spark分布式计算环境 |
| 四、安装hbase列存数据库 |
| 第六节 Hbase数据倾斜优化 |
| 第四章 系统测试与实验 |
| 第一节 实验环境 |
| 第二节 数据处理效率测试 |
| 一、测试结果展示 |
| 二、实验结果比对与结论 |
| 第三节 本章小结 |
| 第五章 总结与展望 |
| 第一节 工作总结 |
| 第二节 工作展望 |
| 致谢 |
| 参考文献 |
| 附录 |
四、分布式数据库在高速公路联网收费系统中的应用（论文参考文献）
- [1]高速公路多义性路径标识站布设效果评价研究[D]. 敏玥. 北方工业大学, 2021(11)
- [2]基于广西高速公路收费数据的行程时间预测及其应用[D]. 兰良. 广西大学, 2021(12)
- [3]黑龙江智慧高速预约通行系统[J]. 岳春龙,赵明. 中国交通信息化, 2021(S1)
- [4]基于大数据的齐鲁交通车主服务流程再造研究[D]. 王玉胜. 山东大学, 2020(05)
- [5]取消省界收费站后的高速公路通行费用实时计算方案优化研究[D]. 李承远. 华南理工大学, 2020(02)
- [6]面向高速公路收费数据的异常行为分析与应用[D]. 邹嵩涵. 电子科技大学, 2020(01)
- [7]基于Hadoop的高速公路OD分析系统研究与实现[D]. 何家辉. 北方工业大学, 2020(02)
- [8]基于时空注意力机制的高速公路多收费站多时段出口流量预测方法研究[D]. 黄子敬. 华南理工大学, 2020(02)
- [9]基于大数据的通行费异常车辆识别算法研究[D]. 杨朋涛. 重庆交通大学, 2020(01)
- [10]基于spark streaming的云南公路联网实时计算系统设计与实现[D]. 王璐. 中南财经政法大学, 2020(07)