致谢 | 第5-6页 |
摘要 | 第6-8页 |
ABSTRACT | 第8-9页 |
1 绪论 | 第13-23页 |
1.1 研究背景及意义 | 第13-14页 |
1.2 国内外研究现状 | 第14-20页 |
1.2.1 实时预测模型 | 第14-18页 |
1.2.2 多断面关联预测方法 | 第18-19页 |
1.2.3 预测方法在不同交通系统中的应用 | 第19-20页 |
1.2.4 研究现状总结 | 第20页 |
1.3 研究内容及技术路线 | 第20-23页 |
2 城市轨道交通站内客流数据采集及客流特征分析 | 第23-35页 |
2.1 客流数据的采集与修复 | 第23-26页 |
2.1.1 客流数据的采集 | 第23-24页 |
2.1.2 数据故障识别及修复 | 第24-26页 |
2.2 站内客流时空特征分析 | 第26-33页 |
2.2.1 站内客流的时间特征 | 第26-30页 |
2.2.2 站内客流的空间特征 | 第30-33页 |
2.3 本章小结 | 第33-35页 |
3 基于小波变权组合的单断面客流实时预测 | 第35-59页 |
3.1 研究对象及模型结构 | 第35-37页 |
3.1.1 站内客流实时预测的研究对象 | 第35页 |
3.1.2 建模思想及模型结构 | 第35-37页 |
3.2 客流数据的小波分析 | 第37-40页 |
3.2.1 小波分析 | 第37-38页 |
3.2.2 小波包分析 | 第38-39页 |
3.2.3 小波重构预测法 | 第39-40页 |
3.3 客流实时预测模型的变权重组合 | 第40-44页 |
3.3.1 变权系数的矩阵模式构建 | 第41-42页 |
3.3.2 基于定长步进算法及时间加权的变权系数估计 | 第42-44页 |
3.4 客流实时预测模型的选择 | 第44-49页 |
3.4.1 径向基函数神经网络(RBF) | 第45-47页 |
3.4.2 支持向量机(SVM) | 第47-49页 |
3.5 站内单断面客流的小波变权组合实时预测模型—SCW模型 | 第49-57页 |
3.5.1 SCW模型的基本结构 | 第49-50页 |
3.5.2 SCW模型的建模过程 | 第50-54页 |
3.5.3 SCW模型的参数分析 | 第54-57页 |
3.6 本章小结 | 第57-59页 |
4 基于时空耦合特性的多断面客流实时预测 | 第59-77页 |
4.1 轨道交通站内客流的时空耦合特性 | 第59-62页 |
4.1.1 客流时空耦合系数度量 | 第59-60页 |
4.1.2 精细化时滞参数下的客流时空耦合系数 | 第60-62页 |
4.2 客流时空耦合系数的影响因素 | 第62-69页 |
4.2.1 客流断面与客流流线的关系 | 第62-64页 |
4.2.2 客流断面之间的流线闭合性 | 第64-66页 |
4.2.3 客流断面之间的距离 | 第66页 |
4.2.4 客流拥挤程度 | 第66-68页 |
4.2.5 客流时间序列的聚合程度 | 第68-69页 |
4.3 站内多断面客流的时空耦合实时预测模型—RTS模型 | 第69-75页 |
4.3.1 RTS模型的基本结构 | 第69-72页 |
4.3.2 RTS模型的建模过程 | 第72-75页 |
4.4 本章小结 | 第75-77页 |
5 案例分析 | 第77-97页 |
5.1 客流数据预处理 | 第77-81页 |
5.1.1 客流数据来源 | 第77-79页 |
5.1.2 客流数据修复及时间聚合 | 第79-81页 |
5.2 通道断面客流的SCW模型预测 | 第81-90页 |
5.2.1 小波分析前后的预测效果对比 | 第81-88页 |
5.2.2 变权组合前后的预测效果对比 | 第88-90页 |
5.3 通道断面客流的RTS模型预测 | 第90-93页 |
5.4 客流实时预测在站内客运管理工作中的实际应用 | 第93-96页 |
5.4.1 提供多粒度的客流预测数据 | 第94页 |
5.4.2 评估站内关键区域负荷强度 | 第94-95页 |
5.4.3 评估车站整体服务水平 | 第95页 |
5.4.4 补充和调整路网客流数据 | 第95-96页 |
5.5 本章小结 | 第96-97页 |
6 结论与展望 | 第97-99页 |
6.1 研究结论 | 第97-98页 |
6.2 研究展望 | 第98-99页 |
参考文献 | 第99-105页 |
作者简历及攻读硕士学位期间取得的研究成果 | 第105-109页 |
学位论文数据集 | 第109页 |