| 摘要 | 第6-7页 |
| Abstract | 第7-8页 |
| 第1章 绪论 | 第11-17页 |
| 1.1 研究背景及意义 | 第11-12页 |
| 1.1.1 研究背景 | 第11页 |
| 1.1.2 研究意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-14页 |
| 1.2.1 国外研究现状 | 第12-13页 |
| 1.2.2 国内研究现状 | 第13-14页 |
| 1.3 论文研究内容及技术路线 | 第14-17页 |
| 1.3.1 研究内容 | 第14-15页 |
| 1.3.2 技术路线 | 第15-17页 |
| 第2章 城市轨道交通运输组织概述 | 第17-26页 |
| 2.1 城市轨道交通运输组织的内容 | 第17-24页 |
| 2.1.1 全日行车计划 | 第17-18页 |
| 2.1.2 列车交路计划 | 第18-22页 |
| 2.1.3 车辆运用计划 | 第22页 |
| 2.1.4 列车运行图编制 | 第22-24页 |
| 2.2 城市轨道交通运输组织关键技术 | 第24-25页 |
| 2.2.1 客流波动与运输能力的匹配 | 第24-25页 |
| 2.2.2 运输能力的调整 | 第25页 |
| 2.3 本章小结 | 第25-26页 |
| 第3章 城市轨道交通客流预测方法 | 第26-38页 |
| 3.1 城市轨道交通客流预测概述 | 第26页 |
| 3.2 城市轨道交通客流预测模型构建 | 第26-33页 |
| 3.2.1 基于灰色模型的客流预测模型构建与分析 | 第26-28页 |
| 3.2.2 基于RBF神经网路的客流预测模型构建与分析 | 第28-31页 |
| 3.2.3 突发大事件诱发客流预测模型构建与分析 | 第31-33页 |
| 3.3 三种客流预测方法对本文研究对象的适用性分析 | 第33-34页 |
| 3.4 预测客流基础数据的获取与处理 | 第34-37页 |
| 3.4.1 基于TCC系统的实时客流数据获取 | 第34-35页 |
| 3.4.2 基于样本聚类分析法的数据处理 | 第35-37页 |
| 3.5 本章小结 | 第37-38页 |
| 第4章 城市轨道交通客流波动与运输能力匹配方法 | 第38-60页 |
| 4.1 客流波动时空差异性分析 | 第38-41页 |
| 4.2 运输能力的主要影响因素 | 第41-45页 |
| 4.3 运输能力的计算方法 | 第45-47页 |
| 4.4 客流波动与运输能力的相互影响关系 | 第47-49页 |
| 4.4.1 客流波动对运输能力的影响 | 第47页 |
| 4.4.2 运输能力对客流波动的影响 | 第47-49页 |
| 4.5 客流波动与运输能力的匹配 | 第49-53页 |
| 4.5.1 客流波动与运输能力的匹配分析 | 第49页 |
| 4.5.2 客流波动与运输能力的匹配关系模型及判定方法 | 第49-52页 |
| 4.5.3 客流波动与运输能力匹配流程 | 第52-53页 |
| 4.6 运输能力的调整方法 | 第53-58页 |
| 4.6.1 列车交路方案的调整 | 第53-56页 |
| 4.6.2 列车发车时间间隔的调整 | 第56-57页 |
| 4.6.3 列车停站方案的调整 | 第57-58页 |
| 4.7 本章小结 | 第58-60页 |
| 第5章 基于客流需求的城市轨道交通运输能力调整模型 | 第60-76页 |
| 5.1 模型构建思路 | 第60页 |
| 5.2 模型假设及参数设置 | 第60-61页 |
| 5.3 模型构建 | 第61-65页 |
| 5.4 算法设计 | 第65-69页 |
| 5.4.1 粒子群智能优化算法 | 第65-67页 |
| 5.4.2 基于粒子群算法的运输能力调整模型求解 | 第67-69页 |
| 5.5 算例分析 | 第69-75页 |
| 5.5.1 基础数据 | 第69-73页 |
| 5.5.2 算例求解及其结果分析 | 第73-75页 |
| 5.6 本章小结 | 第75-76页 |
| 结论 | 第76-77页 |
| 致谢 | 第77-78页 |
| 参考文献 | 第78-81页 |
| 攻读硕士学位期间发表的论文及科研成果 | 第81页 |
