| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第1章 绪论 | 第8-16页 |
| 1.1 研究背景 | 第8-9页 |
| 1.2 国内外相关研究综述 | 第9-14页 |
| 1.3 研究主要内容 | 第14页 |
| 1.4 研究技术路线 | 第14-16页 |
| 第2章 公交车辆到站时间影响因素分析 | 第16-21页 |
| 2.1 影响路段行驶时间的因素分析 | 第16页 |
| 2.2 停靠站延误时间影响因素分析 | 第16-17页 |
| 2.3 交通状态影响因素分析 | 第17-19页 |
| 2.4 公交车辆到站时间影响因素分析与选取 | 第19-20页 |
| 2.5 本章小结 | 第20-21页 |
| 第3章 公交车运行状态的自动机模型 | 第21-33页 |
| 3.1 有限状态自动机概念 | 第21-22页 |
| 3.1.1 有限状态自动机的产生 | 第21页 |
| 3.1.2 有限状态自动机的概念和使用 | 第21-22页 |
| 3.2 公交车运行状态的有限状态自动机模型框架 | 第22页 |
| 3.3 公交车运行状态的划分 | 第22-23页 |
| 3.4 公交车运行的状态转移函数 | 第23-24页 |
| 3.5 公交车运行状态转移条件的判别 | 第24-32页 |
| 3.5.1 识别交通状态方法分类 | 第24-25页 |
| 3.5.2 交通状态自识别的算法 | 第25-29页 |
| 3.5.3 有限状态自动机状态自识别框架 | 第29-32页 |
| 3.6 本章小结 | 第32-33页 |
| 第4章 不同时段的公交行车到站时间预测模型 | 第33-52页 |
| 4.1 平峰时段的公交车到站时间预测模型 | 第33-37页 |
| 4.1.1 Kalman 滤波 | 第33页 |
| 4.1.2 Kalman 滤波的基本原理 | 第33-34页 |
| 4.1.3 基于 Kalman 滤波模型的预测原理 | 第34-35页 |
| 4.1.4 平峰时段的 Kalman 滤波预测模型实验仿真 | 第35-37页 |
| 4.2 高峰时段的公交车到站时间预测模型 | 第37-46页 |
| 4.2.1 BP 神经网络理论及其模型 | 第37-39页 |
| 4.2.2 BP 神经网络模型的预测原理 | 第39-41页 |
| 4.2.3 基于 BP 神经网络预测模型的设计结构与应用 | 第41-44页 |
| 4.2.4 高峰时段的 BP 人工神经网络预测模型实验仿真 | 第44-46页 |
| 4.3 低峰时段的公交车到站时间预测模型 | 第46-51页 |
| 4.3.1 时间序列的概念和分类 | 第46-47页 |
| 4.3.2 ARIMA 时间序列模型的预测原理 | 第47-49页 |
| 4.3.3 基于 ARIMA 时间序列到站时间预测模型的实现 | 第49-50页 |
| 4.3.4 低峰时段的 ARIMA 时间序列预测模型实验仿真 | 第50-51页 |
| 4.4 本章小结 | 第51-52页 |
| 第5章 实证分析 | 第52-60页 |
| 5.1 实验数据来源与预处理 | 第52-55页 |
| 5.2 实验数据特征分析与误差指标选取 | 第55-56页 |
| 5.2.1 数据特征分析 | 第55页 |
| 5.2.2 误差指标的选取 | 第55-56页 |
| 5.3 有限状态自动机的公交到站时间预测仿真模拟 | 第56-59页 |
| 5.4 本章小结 | 第59-60页 |
| 结论 | 第60-61页 |
| 参考文献 | 第61-64页 |
| 附录 1 | 第64-65页 |
| 附录 2 | 第65-67页 |
| 附录 3 | 第67-73页 |
| 致谢 | 第73页 |
