第1章 緒論
1．1 研究背景
1．2 國內(nèi)外研究現(xiàn)狀與趨勢
1．2．1 智能交通系統(tǒng)研究現(xiàn)狀與趨勢
1．2．2 車載導(dǎo)航系統(tǒng)研究現(xiàn)狀與趨勢
1．3 本書內(nèi)容
1．4 章節(jié)安排
1．4．1 研究路線
1．4．2 章節(jié)安排
1．5 本章小結(jié)

第2章 動態(tài)車載導(dǎo)航系統(tǒng)架構(gòu)
2．1 動態(tài)車載導(dǎo)航系統(tǒng)基本功能
2．2 動態(tài)車載導(dǎo)航系統(tǒng)基本架構(gòu)
2．3 動態(tài)車載導(dǎo)航系統(tǒng)建模
2．3．1 精化策略
2．4 初始模型
2．4．1 上下文（Context）
2．4．2 客戶端事件
2．4．3 服務(wù)端事件
2．4．4 驗證
2．5 第1次精化
2．5．1 Context
2．5．2 Events
2．5．3 流程改進(jìn)
2．5．4 驗證
2．6 第2次精化
2．6．1 路網(wǎng)數(shù)據(jù)傳輸模型
2．6．2 地圖匹配模型
2．6．3 驗證
2．7 第3次精化
2．7．1 事件
2．7．2 驗證
2．8 第4次精化
2．8．1 上下文
2．8．2 客戶端事件
2．8．3 服務(wù)端事件
2．8．4 驗證
2．9 基于模型的架構(gòu)設(shè)計
2．9．1 邏輯視圖
2．9．2 過程視圖
2．1 0本章小結(jié)

第3章 訪問控制
3．1 訪問控制模型
3．1．1 相關(guān)研究
3．1．2 模型框架
3．1．3 形式化定義
3．1．4 模型驗證
3．2 訪問控制系統(tǒng)
3．2．1 數(shù)據(jù)結(jié)構(gòu)
3．2．2 關(guān)鍵算法
3．2．3 系統(tǒng)實現(xiàn)
3．3 分布式訪問控制緩存策略
3．3．1 相關(guān)研究
3．3．2 系統(tǒng)方案
3．3．3 實驗與分析
3．4 本章小節(jié)

第4章 地圖緩存
4．1 引言
4．2 緩存系統(tǒng)總體結(jié)構(gòu)
4．3 地圖分塊
4．3．1 地圖分塊設(shè)計
4．3．2 服務(wù)器端地圖數(shù)據(jù)的存儲策略
4．3．3 二級地圖分塊設(shè)計
4．4 客戶端緩存
4．4．1 緩存數(shù)據(jù)結(jié)構(gòu)
4．4．2 稀疏矩陣的高速緩存策略
4．4．3 緩存淘汰策略
4．4．4 實驗結(jié)果分析
4．5 緩存預(yù)取策略
4．5．1 相關(guān)研究
4．5．2 啟發(fā)式預(yù)取策略
4．5．3 基于路網(wǎng)分析的啟發(fā)式預(yù)取策略
4．5．4 實驗結(jié)果分析
4．6 本章小結(jié)

第5章 地圖匹配
5．1 引言
5．2 相關(guān)研究
5．3 基于HMM的匹配算法
5．3．1 相關(guān)定義
5．3．2 算法簡述
5．4 基于路口決策域模型的匹配算法
5．4．1 路口問題
5．4．2 路口決策域模型
5．4．3 基于路口決策域模型的匹配算法
5．5 實驗結(jié)果分析
5．5．1 實驗方法
5．5．2 實驗數(shù)據(jù)
5．5．3 參數(shù)確定
5．5．4 結(jié)果分析
5．6 算法改進(jìn)
5．7 本章小結(jié)

第6章 車輛轉(zhuǎn)向識別
6．1 引言
6．2 特征提取
6．2．1 轉(zhuǎn)向特征分析
6．2．2 特征提取與降維
6．3 基于改進(jìn)的K-means聚類算法的轉(zhuǎn)向識別模型
6．3．1 K-means聚類
6．3．2 模型建立
6．3．3 模型評價及選擇
6．3．4 改進(jìn)的K-means聚類算法
6．3．5 學(xué)習(xí)系統(tǒng)
6．4 基于異常檢測的轉(zhuǎn)向識別模型
6．4．1 數(shù)據(jù)分析
6．4．2 模型建立
6．4．3 模型評價及選擇
6．4．4 學(xué)習(xí)系統(tǒng)
6．5 本章小結(jié)

第7章 總結(jié)與展望
7．1 總結(jié)
7．2 研究展望
參考文獻(xiàn)