基于IC卡数据的短时公交客流预测
| 摘要 | 第2-3页 |
| Abstract | 第3页 |
| 1 绪论 | 第6-11页 |
| 1.1 研究背景及意义 | 第6-7页 |
| 1.1.1 研究背景 | 第6-7页 |
| 1.1.2 研究意义 | 第7页 |
| 1.2 国内外研究综述 | 第7-9页 |
| 1.2.1 公交客流分析 | 第7-8页 |
| 1.2.2 公交客流预测 | 第8-9页 |
| 1.3 论文的结构 | 第9页 |
| 1.4 技术路线 | 第9-10页 |
| 1.5 本章小结 | 第10-11页 |
| 2 公交IC卡数据分析的可行性及应用 | 第11-16页 |
| 2.1 公交IC卡数据分析的可行性 | 第11-12页 |
| 2.1.1 IC卡数据分析 | 第11页 |
| 2.1.2 数据支持 | 第11-12页 |
| 2.2 IC卡数据分析的应用 | 第12-15页 |
| 2.2.1 公交运营管理 | 第12-13页 |
| 2.2.2 公交规划 | 第13页 |
| 2.2.3 公交调度 | 第13-15页 |
| 2.3 本章小结 | 第15-16页 |
| 3 基于公交IC卡的客流特征分析 | 第16-31页 |
| 3.1 数据描述 | 第16-17页 |
| 3.2 客流分布特征 | 第17-26页 |
| 3.2.1 公交客流一月内变化特征 | 第17-18页 |
| 3.2.2 公交客流一周内变化特征 | 第18-19页 |
| 3.2.3 公交客流一日内变化特征 | 第19-21页 |
| 3.2.4 公交客流时变化特征 | 第21-26页 |
| 3.3 短时公交客流特征 | 第26-28页 |
| 3.4 短时公交客流预测影响因素 | 第28-30页 |
| 3.5 本章小结 | 第30-31页 |
| 4 基于神经网络的短时公交客流预测 | 第31-48页 |
| 4.1 神经网络基本知识 | 第31-35页 |
| 4.1.1 神经网络概述 | 第31-33页 |
| 4.1.2 神经网络的拓扑结构 | 第33页 |
| 4.1.3 神经网络的学习 | 第33-35页 |
| 4.2 BP神经网络的基本理论 | 第35-37页 |
| 4.3 基于BP神经网络的短时客流预测模型 | 第37-47页 |
| 4.3.1 评价指标 | 第37-38页 |
| 4.3.2 输入因素 | 第38页 |
| 4.3.3 输入神经元数目 | 第38-39页 |
| 4.3.4 隐层节点数 | 第39-40页 |
| 4.3.5 传递函数 | 第40页 |
| 4.3.6 基于BP神经网络的预测模型 | 第40-47页 |
| 4.4 本章小结 | 第47-48页 |
| 5 基于粒子群算法优化神经网络的预测模型 | 第48-59页 |
| 5.1 粒子群算法概述 | 第48-49页 |
| 5.1.1 粒子群算法的发展 | 第48页 |
| 5.1.2 粒子群算法的基本原理 | 第48-49页 |
| 5.2 粒子群算法流程 | 第49-50页 |
| 5.3 基于粒子群算法优化神经网络的模型 | 第50-58页 |
| 5.3.1 粒子群算法参数 | 第50-51页 |
| 5.3.2 模型建立 | 第51-52页 |
| 5.3.3 结果分析 | 第52-58页 |
| 5.4 本章小结 | 第58-59页 |
| 结论 | 第59-60页 |
| 参考文献 | 第60-63页 |
| 致谢 | 第63-65页 |
