| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第10-14页 |
| 1.1 研究背景与意义 | 第10页 |
| 1.2 国内外研究现状 | 第10-13页 |
| 1.2.1 国外研究现状 | 第11-12页 |
| 1.2.2 国内研究现状 | 第12-13页 |
| 1.3 课题目标 | 第13页 |
| 1.4 论文组织结构 | 第13-14页 |
| 第2章 相关理论和方法 | 第14-25页 |
| 2.1 时间序列 | 第14-17页 |
| 2.1.1 时间序列的概念 | 第14页 |
| 2.1.2 时间序列的聚类 | 第14-16页 |
| 2.1.3 时间序列的预测 | 第16-17页 |
| 2.2 人工神经网络 | 第17-24页 |
| 2.2.1 人工神经网络简介 | 第17-19页 |
| 2.2.2 神经网络的分类 | 第19-20页 |
| 2.2.3 神经网络的训练算法 | 第20-23页 |
| 2.2.4 神经网络的缺陷 | 第23-24页 |
| 2.3 本章小结 | 第24-25页 |
| 第3章 基于客流分析和神经网络的短时客流预测 | 第25-43页 |
| 3.1 数据采集 | 第25页 |
| 3.2 地铁客流特征分析 | 第25-33页 |
| 3.2.1 客流的周期性分析 | 第25-26页 |
| 3.2.2 客流序列的聚类分析 | 第26-29页 |
| 3.2.3 客流序列的时间相关性分析 | 第29-30页 |
| 3.2.4 基于出行模式的通勤客流分析 | 第30-33页 |
| 3.3 短时客流的影响因素分析 | 第33-34页 |
| 3.4 基于神经网络的短时客流预测实验分析 | 第34-41页 |
| 3.4.1 BP神经网络和Elman神经网络 | 第34-35页 |
| 3.4.2 训练算法和隐含层节点数的选择 | 第35-36页 |
| 3.4.3 数据预处理 | 第36-38页 |
| 3.4.4 预测模型的性能评价标准 | 第38页 |
| 3.4.5 预测模型和客流序列输入维数的选择 | 第38-40页 |
| 3.4.6 结合天气和通勤的短时客流预测实验结果 | 第40-41页 |
| 3.5 本章小结 | 第41-43页 |
| 第4章 改进的萤火虫算法优化短时客流预测模型 | 第43-57页 |
| 4.1 元启发式算法介绍 | 第43-44页 |
| 4.2 标准萤火虫算法 | 第44-48页 |
| 4.2.1 萤火虫算法的原理 | 第44-45页 |
| 4.2.2 萤火虫算法的数学描述 | 第45-46页 |
| 4.2.3 萤火虫算法的步骤 | 第46页 |
| 4.2.4 萤火虫算法的优点 | 第46-47页 |
| 4.2.5 萤火虫算法的缺点 | 第47-48页 |
| 4.3 萤火虫算法的改进 | 第48-52页 |
| 4.3.1 全局搜索性能优化 | 第48-50页 |
| 4.3.2 局部探索能力优化 | 第50-51页 |
| 4.3.3 步长因子的自适应优化 | 第51页 |
| 4.3.4 改进萤火虫算法的步骤 | 第51-52页 |
| 4.4 基于改进萤火虫算法的Elman神经网络优化实验分析 | 第52-56页 |
| 4.4.1 算法的参数设置 | 第52-53页 |
| 4.4.2 CSLFA算法优化Elman神经网络的流程 | 第53-55页 |
| 4.4.3 CSLFA算法优化Elman神经网络的实验结果 | 第55-56页 |
| 4.5 本章小结 | 第56-57页 |
| 第5章 总结与展望 | 第57-59页 |
| 5.1 总结 | 第57-58页 |
| 5.2 展望 | 第58-59页 |
| 参考文献 | 第59-63页 |
| 作者简介 | 第63-64页 |
| 致谢 | 第64页 |
