| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7-8页 |
| 1 绪论 | 第11-21页 |
| 1.1 研究背景 | 第11-14页 |
| 1.2 研究意义 | 第14-15页 |
| 1.3 研究现状概述 | 第15-19页 |
| 1.3.1 国外研究现状 | 第15-16页 |
| 1.3.2 国内研究现状 | 第16-18页 |
| 1.3.3 文献综述小结 | 第18-19页 |
| 1.4 研究内容及技术路线 | 第19-21页 |
| 2 城市轨道交通站点进出突发客流因果关系检验 | 第21-44页 |
| 2.1 城市轨道交通站点客流时间序列特征分析 | 第21-34页 |
| 2.1.1 日常客流分析 | 第21-28页 |
| 2.1.2 活动突发客流分析 | 第28-32页 |
| 2.1.3 城市轨道交通客流类型 | 第32-34页 |
| 2.2 GRANGER因果关系 | 第34-35页 |
| 2.3 活动引起的突发进出站客流时间序列因果关系检验 | 第35-43页 |
| 2.3.1 数据来源及参数选取 | 第35-37页 |
| 2.3.2 时间序列平稳性检验 | 第37-39页 |
| 2.3.3 VAR建模 | 第39-41页 |
| 2.3.4 Granger因果关系检验 | 第41-43页 |
| 2.4 本章小结 | 第43-44页 |
| 3 基于客流时间序列的突发客流数据挖掘算法研究 | 第44-62页 |
| 3.1 相关定义概念 | 第45-46页 |
| 3.2 基于符号近似化的时间序列挖掘算法 | 第46-53页 |
| 3.2.1 符号近似表示 | 第46-49页 |
| 3.2.2 子序列相关度计算 | 第49-51页 |
| 3.2.3 典型时间序列挖掘 | 第51-53页 |
| 3.3 活动引起突发进站客流挖掘算法 | 第53-59页 |
| 3.3.1 基于城市轨道交通客流类别的挖掘算法改进 | 第53-54页 |
| 3.3.2 动态时间规整度量方法 | 第54-56页 |
| 3.3.3 基于客流时间序列特征的搜索路径优化 | 第56-59页 |
| 3.4 案例分析 | 第59-61页 |
| 3.5 本章小结 | 第61-62页 |
| 4 城市轨道交通突发进站客流实时预测方法研究 | 第62-75页 |
| 4.1 BP神经网络 | 第62-66页 |
| 4.2 小波神经网络 | 第66-70页 |
| 4.2.1 小波理论 | 第66-68页 |
| 4.2.2 小波神经网络构造 | 第68-70页 |
| 4.3 遗传算法 | 第70-72页 |
| 4.3.1 基本定义和概念 | 第70-71页 |
| 4.3.2 算法原理 | 第71-72页 |
| 4.4 应用遗传算法优化小波神经网络 | 第72-74页 |
| 4.5 本章小结 | 第74-75页 |
| 5 实例分析 | 第75-84页 |
| 5.1 东四十条站概括 | 第75-78页 |
| 5.2 模型数据选择及参数设置 | 第78-80页 |
| 5.3 结果分析 | 第80-83页 |
| 5.4 本章小结 | 第83-84页 |
| 6 结论和展望 | 第84-86页 |
| 6.1 主要研究成果与创新 | 第84-85页 |
| 6.2 展望 | 第85-86页 |
| 参考文献 | 第86-91页 |
| 附录A | 第91-92页 |
| 作者简历 | 第92-94页 |
| 学位论文数据集 | 第94页 |