首页--交通运输论文--铁路运输论文--特种铁路论文--地下铁路论文

基于乘客在站停留时间估计的地铁环控系统负荷计算研究

致谢第5-6页
摘要第6-7页
ABSTRACT第7-8页
1 绪论第12-22页
    1.1 研究背景与意义第12-14页
    1.2 国内外研究综述第14-18页
        1.2.1 车站环控系统发展第14-15页
        1.2.2 车站环控系统节能关键技术及负荷计算第15-16页
        1.2.3 客流参数提取方法研究第16-17页
        1.2.4 研究综述小结第17-18页
    1.3 地铁环控系统分类第18-19页
    1.4 主要研究内容与论文框架第19-22页
        1.4.1 主要研究内容第19-20页
        1.4.2 论文框架及技术路线第20-22页
2 车站环控系统负荷组成及其影响因素分析第22-34页
    2.1 车站环控系统负荷组成及影响因素第22-24页
    2.2 基于结构模型解析法的影响因素定性分析第24-29页
        2.2.1 结构模型解析法概述第24页
        2.2.2 结构模型解析法分析步骤第24-29页
        2.2.3 定性分析结论第29页
    2.3 基于灰色关联度的影响因素定量分析第29-32页
        2.3.1 灰色关联度分析方法概述第30页
        2.3.2 灰色关联度分析步骤第30-32页
    2.4 客流因素的重要性分析第32页
    2.5 本章小结第32-34页
3 基于AFC数据与概率分布的乘客在站停留时间估计方法第34-56页
    3.1 乘客旅行时间构成第34-35页
    3.2 基于AFC数据的乘客付费区停留时间估计方法第35-52页
        3.2.1 基于列车时刻表的时空拓展网络的构建第35-39页
        3.2.2 乘客可行时空拓展路径搜索算法第39-48页
        3.2.3 基于Logit模型的时空拓展路径识别方法第48-52页
        3.2.4 乘客付费区停留时间估计方法第52页
    3.3 基于概率分布的乘客非付费区停留时间估计方法第52-55页
        3.3.1 乘客非付费区停留时间影响因素分析第52-53页
        3.3.2 乘客非付费区走行速度概率分布第53-54页
        3.3.3 乘客非付费区停留时间概率分布第54页
        3.3.4 乘客非付费区停留时间估计方法第54-55页
    3.4 本章小结第55-56页
4 基于乘客动态在站停留时间的环控系统负荷精细化计算方法第56-70页
    4.1 车站环控系统负荷既有计算方法第56-64页
    4.2 统计时段内乘客在站停留时间的累加方法第64-65页
    4.3 车站环控系统负荷精细化计算方法第65-68页
        4.3.1 与客流相关负荷的精细化计算方法第65-67页
        4.3.2 其他负荷的逐时段精细化计算方法第67-68页
    4.4 本章小结第68-70页
5 算例应用分析第70-86页
    5.1 基础数据分析与处理第70-75页
        5.1.1 AFC数据第71页
        5.1.2 物理拓扑网络基础数据第71-72页
        5.1.3 时空拓展网络基础数据第72-73页
        5.1.4 乘客走行速度分布数据第73页
        5.1.5 车站土建结构及设施设备数据第73-74页
        5.1.6 室内外空气参数数据第74-75页
    5.2 乘客在站停留时间估计方法算例分析第75-79页
        5.2.1 乘客付费区停留时间算例第75-77页
        5.2.2 乘客非付费区停留时间算例第77-79页
    5.3 车站环控系统负荷精细化计算方法算例分析第79-83页
        5.3.1 统计时段内乘客在站停留时间累加结果第79-80页
        5.3.2 统计时段内车站环控系统负荷精细化计算结果第80-81页
        5.3.3 与既有方法计算结果及实测数据的对比分析第81-83页
    5.4 基于灰色关联度的影响因素定量分析第83-85页
    5.5 本章小结第85-86页
6 结论及展望第86-88页
    6.1 主要研究成果第86-87页
    6.2 主要创新点第87页
    6.3 研究展望第87-88页
参考文献第88-92页
作者简历及攻读硕士学位期间取得的研究成果第92-96页
学位论文数据集第96页

论文共96页,点击 下载论文
上一篇:基于采样反馈的多列车自适应协同控制算法研究
下一篇:基于LSTM-BP神经网络的列控车载设备故障诊断方法