| 中文摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第一章 绪论 | 第9-17页 |
| 1.1 研究背景 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-14页 |
| 1.2.1 公交运行可靠性研究 | 第10-12页 |
| 1.2.2 公交到站时间预测研究 | 第12-14页 |
| 1.2.3 研究现状评述 | 第14页 |
| 1.3 研究目的及意义 | 第14-15页 |
| 1.4 主要研究内容 | 第15页 |
| 1.5 研究技术路线 | 第15-17页 |
| 第二章 公交运行时间特性分析 | 第17-32页 |
| 2.1 公交运行数据的获取 | 第17-18页 |
| 2.2 公交运行时间总体特征规律 | 第18-23页 |
| 2.2.1 运行时间聚类分析 | 第18-20页 |
| 2.2.2 历史同时段运行时间规律分析 | 第20-21页 |
| 2.2.3 运行时间非参数检验 | 第21-23页 |
| 2.3 公交运行时间影响因素分析 | 第23-31页 |
| 2.3.1 公交运行时间影响因素 | 第23-24页 |
| 2.3.2 差异性检验原理 | 第24-25页 |
| 2.3.3 日期对运行时间的影响 | 第25-27页 |
| 2.3.4 天气对运行时间的影响 | 第27-29页 |
| 2.3.5 时段对运行时间的影响 | 第29-31页 |
| 2.4 本章小结 | 第31-32页 |
| 第三章 基于粒子群算法的公交到站时间预测 | 第32-47页 |
| 3.1 小波神经网络理论及其模型 | 第32-34页 |
| 3.1.1 小波神经网络原理 | 第32-33页 |
| 3.1.2 小波神经网络算法训练步骤 | 第33-34页 |
| 3.2 粒子群优化算法 | 第34-35页 |
| 3.2.1 粒子群优化原理 | 第34-35页 |
| 3.2.2 粒子群优化算法的不足 | 第35页 |
| 3.3 改进粒子群优化小波神经网络(PSO-WNN) | 第35-38页 |
| 3.3.1 粒子群优化算法的改进 | 第35-36页 |
| 3.3.2 PSO-WNN预测模型 | 第36-37页 |
| 3.3.3 PSO-WNN预测模型适用性 | 第37-38页 |
| 3.4 PSO-WNN公交到站时间预测模型的设计 | 第38-41页 |
| 3.4.1 模型输入变量确定 | 第38-39页 |
| 3.4.2 输入数据处理 | 第39页 |
| 3.4.3 传递函数的选择 | 第39页 |
| 3.4.4 隐含层节点数的确定 | 第39-40页 |
| 3.4.5 编程实现 | 第40-41页 |
| 3.5 算例分析 | 第41-46页 |
| 3.5.1 数据来源 | 第41-42页 |
| 3.5.2 输入样本 | 第42页 |
| 3.5.3 训练样本 | 第42-43页 |
| 3.5.4 建立模型 | 第43-44页 |
| 3.5.5 模型验证 | 第44-46页 |
| 3.6 本章小结 | 第46-47页 |
| 第四章 公交出行路径运行时间可靠性分析 | 第47-65页 |
| 4.1 公交乘客出行特征分析 | 第47-49页 |
| 4.1.1 公交乘客出行过程 | 第47-48页 |
| 4.1.2 乘客出行心理特征 | 第48-49页 |
| 4.2 基于预测到站时间的公交路径选择 | 第49-52页 |
| 4.3 公交路径运行时间可靠性界定 | 第52页 |
| 4.4 公交路径运行时间计算 | 第52-57页 |
| 4.4.1 路段运行时间分布 | 第52-54页 |
| 4.4.2 实际路径运行时间 | 第54-55页 |
| 4.4.3 乘客预期路径运行时间 | 第55-56页 |
| 4.4.4 基于乘客预期的路径运行时间可靠性模型 | 第56-57页 |
| 4.5 运行时间可靠性算法 | 第57-59页 |
| 4.5.1 蒙特卡罗模拟 | 第57-58页 |
| 4.5.2 可靠性算法设计 | 第58-59页 |
| 4.6 算例分析 | 第59-64页 |
| 4.6.1 路径运行时间可靠性分析 | 第59-61页 |
| 4.6.2 路径运行时间可靠性敏感性分析 | 第61-64页 |
| 4.7 本章小结 | 第64-65页 |
| 结论与展望 | 第65-67页 |
| 结论 | 第65-66页 |
| 展望 | 第66-67页 |
| 参考文献 | 第67-72页 |
| 致谢 | 第72-73页 |
| 个人简历 | 第73页 |