| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 1 绪论 | 第10-17页 |
| 1.1 研究背景及意义 | 第10-12页 |
| 1.1.1 研究背景 | 第10-11页 |
| 1.1.2 研究目的 | 第11页 |
| 1.1.3 研究意义 | 第11-12页 |
| 1.2 国内外研究现状及评价 | 第12-14页 |
| 1.2.1 国外研究现状 | 第12-13页 |
| 1.2.2 国内研究现状 | 第13页 |
| 1.2.3 国内外研究评价 | 第13-14页 |
| 1.3 本文的主要研究方法 | 第14页 |
| 1.4 研究内容、及技术路线 | 第14-17页 |
| 1.4.1 研究内容 | 第14-15页 |
| 1.4.2 技术路线 | 第15-17页 |
| 2 预测的相关理论 | 第17-38页 |
| 2.1 灰色预测理论介绍 | 第17-20页 |
| 2.1.1 灰色理论概述 | 第17-18页 |
| 2.1.2 GM(1，1)模型介绍 | 第18-20页 |
| 2.2 神经网络简介 | 第20-29页 |
| 2.2.1 神经网络的概念和发展 | 第21-22页 |
| 2.2.2 神经网络的基本模型和分类 | 第22-24页 |
| 2.2.3 BP神经网络的基本模型 | 第24-27页 |
| 2.2.4 BP神经网络的算法步骤及优缺点 | 第27-29页 |
| 2.3 遗传算法优化神经网络 | 第29-34页 |
| 2.3.1 遗传算法理论基础 | 第29-30页 |
| 2.3.2 遗传算法的数学模型 | 第30-32页 |
| 2.3.3 遗传算法优化神经网络 | 第32-34页 |
| 2.4 组合预测模型的简介 | 第34-38页 |
| 2.4.1 组合预测的引入 | 第34-35页 |
| 2.4.2 组合预测的优势 | 第35页 |
| 2.4.3 组合预测的三种模型 | 第35-36页 |
| 2.4.4 模型的性能标准 | 第36-38页 |
| 3 基于单一模型的客流量预测研究 | 第38-48页 |
| 3.1 兰州至中川铁路背景介绍 | 第38页 |
| 3.2 时间序列模型实证研究 | 第38-40页 |
| 3.2.1 数据的收集及处理 | 第38-39页 |
| 3.2.2 灰色GM(1，1)模型客流量预测的实现 | 第39-40页 |
| 3.3 构建因果关系的GA-BP客运量预测模型 | 第40-48页 |
| 3.3.1 客运量影响因素定性分析 | 第40-41页 |
| 3.3.2 灰色关联度理论概述 | 第41-42页 |
| 3.3.3 客运量影响因素关联度定量计算 | 第42-46页 |
| 3.3.4 GA-BP模型的客运量预测的实现 | 第46-48页 |
| 4 基于组合模型的客流量预测研究 | 第48-57页 |
| 4.1 灰色理论与神经网络的三种组合模型应用 | 第48-54页 |
| 4.1.1 组合模型的互补性研究 | 第48-49页 |
| 4.1.2 并联式组合模型应用 | 第49-51页 |
| 4.1.3 串联式组合模型应用 | 第51-52页 |
| 4.1.4 嵌入式组合模型应用 | 第52-54页 |
| 4.2 模型分析 | 第54-55页 |
| 4.3 客流量预测 | 第55-57页 |
| 5 运输方式分担率研究 | 第57-61页 |
| 5.1 客流转移量模型 | 第57-58页 |
| 5.2 模型基本参数的标定 | 第58-60页 |
| 5.3 本章小结 | 第60-61页 |
| 6 结论与展望 | 第61-63页 |
| 6.1 主要结论 | 第61-62页 |
| 6.2 未来展望 | 第62-63页 |
| 致谢 | 第63-64页 |
| 参考文献 | 第64-67页 |
| 附录A 智能算法代码 | 第67-71页 |
| 攻读学位期间的研究成果 | 第71页 |