基于GPS数据的城市出租车出行需求研究
| 摘要 | 第10-11页 |
| ABSTRACT | 第11-12页 |
| 第1章 绪论 | 第13-19页 |
| 1.1 研究背景 | 第13-14页 |
| 1.2 研究意义 | 第14-15页 |
| 1.3 研究内容与技术路线 | 第15-17页 |
| 1.4 论文结构安排 | 第17-19页 |
| 第2章 国内外研究综述 | 第19-27页 |
| 2.1 出租车运营与管理 | 第19-21页 |
| 2.2 出租车GPS数据应用 | 第21-22页 |
| 2.3 交通短时预测方法 | 第22-25页 |
| 2.4 本章小结 | 第25-27页 |
| 第3章 出租车出行需求估计 | 第27-41页 |
| 3.1 数据特征与预处理 | 第27-30页 |
| 3.1.1 数据基本特征 | 第27-28页 |
| 3.1.2 数据预处理 | 第28-30页 |
| 3.2 交通区域划分 | 第30-31页 |
| 3.3 基于GPS数据的出行需求估计算法 | 第31-37页 |
| 3.3.1 网格划分 | 第32-34页 |
| 3.3.2 出行需求估计 | 第34-36页 |
| 3.3.3 网格合并 | 第36-37页 |
| 3.4 需求估计算法实现 | 第37-40页 |
| 3.4.1 行程识别 | 第37-39页 |
| 3.4.2 网格匹配 | 第39-40页 |
| 3.5 本章小结 | 第40-41页 |
| 第4章 出租车出行需求特征分析 | 第41-61页 |
| 4.1 概述 | 第41-42页 |
| 4.2 不同类型区域出租车出行需求分析 | 第42-59页 |
| 4.2.1 科技办公园区 | 第42-46页 |
| 4.2.2 交通枢纽区域 | 第46-49页 |
| 4.2.3 核心商业区域 | 第49-52页 |
| 4.2.4 学校周边区域 | 第52-55页 |
| 4.2.5 医院周边区域 | 第55-59页 |
| 4.3 本章小结 | 第59-61页 |
| 第5章 出租车出行需求实时预测 | 第61-83页 |
| 5.1 变量分析 | 第61-63页 |
| 5.2 卡尔曼滤波预测模型 | 第63-65页 |
| 5.3 GA-BP神经网络模型 | 第65-71页 |
| 5.3.1 BP神经网络 | 第65-68页 |
| 5.3.2 BP神经网络的局限 | 第68-69页 |
| 5.3.3 遗传算法优化的神经网络 | 第69-71页 |
| 5.4 组合预测模型 | 第71-74页 |
| 5.5 案例分析 | 第74-82页 |
| 5.5.1 模型预测结果 | 第74-76页 |
| 5.5.2 模型准确性分析 | 第76-79页 |
| 5.5.3 模型可靠性分析 | 第79-82页 |
| 5.6 本章小结 | 第82-83页 |
| 第6章 总结与展望 | 第83-87页 |
| 6.1 论文总结 | 第83-84页 |
| 6.2 论文创新点 | 第84页 |
| 6.3 论文展望 | 第84-87页 |
| 参考文献 | 第87-91页 |
| 致谢 | 第91-92页 |
| 学位论文评阅及答辩情况表 | 第92页 |
