| 摘要 | 第7-9页 |
| Abstract | 第9-10页 |
| 第一章 绪论 | 第13-22页 |
| 1.1 研究背景与意义 | 第13-14页 |
| 1.1.1 城市公共交通的发展历程 | 第13页 |
| 1.1.2 城市公交的智能化需求 | 第13-14页 |
| 1.1.3 研究公交客流的意义 | 第14页 |
| 1.2 研究现状及对策分析 | 第14-18页 |
| 1.2.1 城市空间结构与公共交通的相互作用 | 第14-15页 |
| 1.2.2 公交客流预测研究现状 | 第15-17页 |
| 1.2.3 当前存在的问题与分析 | 第17页 |
| 1.2.4 本文的解决方法 | 第17-18页 |
| 1.3 研究内容及组织结构 | 第18-22页 |
| 1.3.1 主要研究内容 | 第18-19页 |
| 1.3.2 技术路线 | 第19页 |
| 1.3.3 论文组织结构 | 第19-22页 |
| 第二章 相关理论和技术 | 第22-34页 |
| 2.1 地理要素对客流的影响 | 第22-27页 |
| 2.1.1 道路网络结构描述指标 | 第22-23页 |
| 2.1.2 道路网络中心性 | 第23-24页 |
| 2.1.3 基于空间句法集成度的道路邻近中心性计算方法 | 第24-27页 |
| 2.2 BP神经网络与客流预测 | 第27-31页 |
| 2.2.1 BP神经网络基本原理 | 第28-29页 |
| 2.2.2 基于BP神经网络的客流预测方法 | 第29-30页 |
| 2.2.3 BP神经网络在客流预测中的主要优势和不足 | 第30-31页 |
| 2.3 遗传算法与预测模型参数选择 | 第31-33页 |
| 2.3.1 遗传算法基本原理 | 第31-32页 |
| 2.3.2 遗传算法与BP神经网络的结合方式 | 第32-33页 |
| 2.4 本章小结 | 第33-34页 |
| 第三章 地理要素与城市公交客流的相关性分析 | 第34-45页 |
| 3.1 道路邻近中心性计算及相关性分析 | 第34-41页 |
| 3.1.1 轴线模型建模及分析 | 第34-37页 |
| 3.1.2 线段模型建模及分析 | 第37页 |
| 3.1.3 线段模型改进方法及应用 | 第37-41页 |
| 3.2 人口密度分布计算及相关性分析 | 第41-44页 |
| 3.2.1 数据来源及预处理 | 第41-42页 |
| 3.2.2 站点周边人口密度分析 | 第42-44页 |
| 3.3 本章小结 | 第44-45页 |
| 第四章 BP神经网络公交客流预测模型设计与改进 | 第45-65页 |
| 4.1 公交客流时间分布特征 | 第45-47页 |
| 4.2 顾及地理要素的BP神经网络模型建立过程 | 第47-58页 |
| 4.2.1 模型性能评估指标 | 第47-48页 |
| 4.2.2 输入层和输出层设计 | 第48-50页 |
| 4.2.3 隐含层神经元数量 | 第50-51页 |
| 4.2.4 学习率设置 | 第51-52页 |
| 4.2.5 模型训练与结果分析 | 第52-58页 |
| 4.3 基于遗传算法的BP神经网络客流预测模型优化 | 第58-63页 |
| 4.3.1 GA-BP模型设计 | 第59-60页 |
| 4.3.2 GA-BP模型实现 | 第60-62页 |
| 4.3.3 GA-BP模型训练与预测结果分析 | 第62-63页 |
| 4.4 本章小结 | 第63-65页 |
| 第五章 城市公交客流分析预测系统设计与实现 | 第65-77页 |
| 5.1 城市公交客流分析预测系统总体设计 | 第65-69页 |
| 5.1.1 系统架构设计 | 第65-66页 |
| 5.1.2 系统功能模块设计 | 第66-69页 |
| 5.2 城市公交客流分析预测系统实现 | 第69-76页 |
| 5.2.1 系统实验环境 | 第69-70页 |
| 5.2.2 系统功能模块 | 第70-76页 |
| 5.3 本章小结 | 第76-77页 |
| 第六章 总结与展望 | 第77-79页 |
| 6.1 全文总结 | 第77页 |
| 6.2 研究展望 | 第77-79页 |
| 致谢 | 第79-80页 |
| 参考文献 | 第80-85页 |
| 作者简介 | 第85页 |
