基于IC卡的公交枢纽客流分析与短时预测
| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第一章 绪论 | 第10-16页 |
| 1.1. 研究背景及意义 | 第10-11页 |
| 1.1.1. 研究背景 | 第10-11页 |
| 1.1.2. 研究意义 | 第11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.2.1. 基于IC卡的客流分析研究现状 | 第11-12页 |
| 1.2.2. 客流短时预测研究现状 | 第12-13页 |
| 1.3. 研究内容与结构 | 第13-15页 |
| 1.3.1. 研究内容 | 第13-14页 |
| 1.3.2. 章节结构 | 第14-15页 |
| 1.4. 技术路线 | 第15-16页 |
| 第二章 公交枢纽客流数据准备与特征选择 | 第16-26页 |
| 2.1. 公交枢纽客流构成分析 | 第16-17页 |
| 2.2. 公交枢纽IC卡数据分析 | 第17-18页 |
| 2.2.1. 数据描述 | 第17-18页 |
| 2.2.2. 数据预处理 | 第18页 |
| 2.3. 公交枢纽客流的判定分析 | 第18-24页 |
| 2.3.1.上客客流的判定 | 第18-19页 |
| 2.3.2. 落客客流的判定 | 第19-21页 |
| 2.3.3. 换乘客流的判定 | 第21-24页 |
| 2.4. 公交枢纽客流特征构建 | 第24-25页 |
| 2.4.1. 客流特征分析现状 | 第24-25页 |
| 2.4.2. 公交枢纽客流特征分类 | 第25页 |
| 本章小结 | 第25-26页 |
| 第三章 公交枢纽客流特征分析 | 第26-63页 |
| 3.1. 公交枢纽构成客流时间特征分析 | 第26-46页 |
| 3.1.1. 上客客流时间特征分析 | 第26-33页 |
| 3.1.2. 落客客流时间特征分析 | 第33-39页 |
| 3.1.3. 换乘客流时间特征分析 | 第39-46页 |
| 3.2. 公交枢纽总体客流时间特征分析 | 第46-52页 |
| 3.2.1. 日客流变化特征 | 第46页 |
| 3.2.2. 小时客流变化特征 | 第46-48页 |
| 3.2.3. 高峰小时客流变化特征 | 第48-52页 |
| 3.3. 公交枢纽客流动态特征分析 | 第52-59页 |
| 3.3.1. 客流日变动特征 | 第52-53页 |
| 3.3.2. 客流小时不均匀特征 | 第53-55页 |
| 3.3.3. 客流高峰小时变化特征 | 第55-59页 |
| 3.4. 公交枢纽客流短时特征分析 | 第59-62页 |
| 3.4.1. 当日相邻时段客流特征分析 | 第59页 |
| 3.4.2. 相邻天同时段客流特征分析 | 第59-60页 |
| 3.4.3. 相邻周同时段客流特征分析 | 第60-62页 |
| 本章小结 | 第62-63页 |
| 第四章 公交枢纽客流短时预测 | 第63-85页 |
| 4.1. 公交枢纽客流短时预测模型建立 | 第63-69页 |
| 4.1.1. BP神经网络模型 | 第63-66页 |
| 4.1.2. 小波神经网络模型 | 第66-69页 |
| 4.2. 公交枢纽构成客流短时预测 | 第69-78页 |
| 4.2.1. 上客客流短时预测 | 第69-72页 |
| 4.2.2. 落客客流短时预测 | 第72-75页 |
| 4.2.3. 换乘客流短时预测 | 第75-78页 |
| 4.3. 公交枢纽总体客流短时预测 | 第78-82页 |
| 4.3.1. BP神经网络预测 | 第78-79页 |
| 4.3.2. 小波神经网络预测 | 第79-80页 |
| 4.3.3. 误差分析 | 第80-82页 |
| 4.4. 预测结果分析 | 第82-84页 |
| 本章小结 | 第84-85页 |
| 第五章 研究结论与展望 | 第85-87页 |
| 5.1 研究结论 | 第85页 |
| 5.2 展望 | 第85-87页 |
| 参考文献 | 第87-90页 |
| 附录A BP神经网络部分程序 | 第90-92页 |
| 附录B 小波神经网络部分程序 | 第92-96页 |
| 攻读硕士学位期间发表的学术论文 | 第96-97页 |
| 致谢 | 第97页 |
