基于EMD的BP神经网络在公交客流预测中的应用
| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第一章 绪论 | 第8-14页 |
| 1.1 研究背景及意义 | 第8-9页 |
| 1.2 国内外研究概况 | 第9-12页 |
| 1.2.1 国外研究情况 | 第9-11页 |
| 1.2.2 国内研究情况 | 第11-12页 |
| 1.3 论文主要研究内容 | 第12页 |
| 1.4 论文结构 | 第12-14页 |
| 第二章 公交客流数据采集 | 第14-20页 |
| 2.1 传统公交客流数据采集方法 | 第14-15页 |
| 2.1.1 人工方法 | 第14页 |
| 2.1.2 图像方法 | 第14-15页 |
| 2.1.3 自动计数方法 | 第15页 |
| 2.1.4 IC卡方法 | 第15页 |
| 2.2 公交数据的采集与构成 | 第15-20页 |
| 2.2.1 公交IC卡数据 | 第15-17页 |
| 2.2.2 公交GPS数据 | 第17-19页 |
| 2.2.3 公交站点数据和线路数据 | 第19-20页 |
| 第三章 公交客流特征分析 | 第20-27页 |
| 3.1 公交客流上车站点判断 | 第20-21页 |
| 3.2 公交客流时间分布特征分析 | 第21-24页 |
| 3.2.1 工作日客流时间分布 | 第21-22页 |
| 3.2.2 周末客流时间分布 | 第22-24页 |
| 3.2.3 月客流时间分布 | 第24页 |
| 3.3 Fisher算法在客流峰值划分上的应用 | 第24-27页 |
| 3.3.1 Fisher峰值区间划分模型的建立 | 第24-25页 |
| 3.3.2 峰值区间划分结果 | 第25-27页 |
| 第四章 公交客流预测模型的建立 | 第27-41页 |
| 4.1 BP神经网络原理及模型建立 | 第27-30页 |
| 4.1.1 BP神经网络主要思想 | 第27-28页 |
| 4.1.2 BP算法原理 | 第28-29页 |
| 4.1.3 BP神经网络模型的建立 | 第29-30页 |
| 4.2 基于粒子群优化的神经网络原理及模型建立 | 第30-34页 |
| 4.2.1 粒子群优化算法原理 | 第30-31页 |
| 4.2.2 基于粒子群优化的神经网络模型的建立 | 第31-33页 |
| 4.2.3 基于粒子群优化的神经网络模型改进 | 第33-34页 |
| 4.3 基于EMD方法的神经网络原理及模型建立 | 第34-39页 |
| 4.3.1 经验模态分解法的原理 | 第34-36页 |
| 4.3.2 基于EMD方法的神经网络模型的建立 | 第36-39页 |
| 4.4 Elman神经网络原理及模型建立 | 第39-41页 |
| 第五章 公交客流量预测及分析 | 第41-57页 |
| 5.1 客流量数据的处理 | 第41-42页 |
| 5.2 BP神经网络模型预测 | 第42-44页 |
| 5.3 基于粒子群优化的BP神经网络模型预测 | 第44-46页 |
| 5.4 基于EMD方法的BP神经网络模型预测 | 第46-51页 |
| 5.5 Elman神经网络模型预测 | 第51-52页 |
| 5.6 预测结果评价 | 第52-57页 |
| 第六章 总结与展望 | 第57-59页 |
| 6.1 总结 | 第57页 |
| 6.2 工作展望 | 第57-59页 |
| 参考文献 | 第59-63页 |
| 发表论文和参加科研情况说明 | 第63-64页 |
| 致谢 | 第64-65页 |
