| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-21页 |
| 1.1 研究背景 | 第10-13页 |
| 1.1.1 城市交通问题 | 第10-12页 |
| 1.1.2 公共自行车系统的发展 | 第12-13页 |
| 1.2 国内外公共自行车系统应用现状 | 第13-17页 |
| 1.2.1 国外公共自行车系统应用现状 | 第13-15页 |
| 1.2.2 国内公共自行车系统应用现状 | 第15-16页 |
| 1.2.3 公共自行车系统发展中存在的问题 | 第16-17页 |
| 1.3 公共自行车系统相关理论研究现状 | 第17-19页 |
| 1.4 研究目的与意义 | 第19页 |
| 1.5 本文的组织结构与创新点 | 第19-21页 |
| 第二章 公共自行车短时租借预测分析 | 第21-29页 |
| 2.1 公共自行车短时租借预测理论 | 第21-24页 |
| 2.1.1 机动车短时交通流预测原理与流程 | 第21-23页 |
| 2.1.2 公共自行车短时租借预测特点 | 第23-24页 |
| 2.2 交通流预测的常见方法 | 第24-26页 |
| 2.2.1 基于传统统计理论的方法 | 第24-25页 |
| 2.2.2 基于神经网络的方法 | 第25-26页 |
| 2.2.3 基于数据融合技术的方法 | 第26页 |
| 2.3 基于多源数据的公共自行车短时租借预测模型研究 | 第26-28页 |
| 2.4 本章小结 | 第28-29页 |
| 第三章 数据采集与公共自行车租借规律预测 | 第29-39页 |
| 3.1 数据采集与预处理 | 第29-32页 |
| 3.1.1 数据采集 | 第29-30页 |
| 3.1.2 数据预处理 | 第30-32页 |
| 3.2 租借规律理论分析 | 第32-34页 |
| 3.3 K-means算法 | 第34-35页 |
| 3.4 朴素贝叶斯分类 | 第35-37页 |
| 3.5 基于K-means及朴素贝叶斯分类的公共自行车租借规律预测 | 第37页 |
| 3.6 本章小结 | 第37-39页 |
| 第四章 基于时间序列的公共自行车短时租借预测 | 第39-49页 |
| 4.1 理论分析 | 第39页 |
| 4.2 基于时间序列的公共自行车短时租借预测实现 | 第39-47页 |
| 4.2.1 神经网络模型的发展 | 第39-40页 |
| 4.2.2 APSO-BP算法研究 | 第40-44页 |
| 4.2.3 公共自行车租借预测仿真实现与结果分析 | 第44-47页 |
| 4.3 本章小结 | 第47-49页 |
| 第五章 基于时空结合的公共自行车短时租借预测 | 第49-57页 |
| 5.1 理论分析 | 第49-52页 |
| 5.2 基于时空结合的公共自行车短时租借预测实现 | 第52-55页 |
| 5.2.1 实验数据预处理 | 第52-54页 |
| 5.2.2 仿真结果及分析 | 第54-55页 |
| 5.3 本章小结 | 第55-57页 |
| 第六章 总结与展望 | 第57-59页 |
| 6.1 全文总结 | 第57页 |
| 6.2 今后工作展望 | 第57-59页 |
| 致谢 | 第59-60页 |
| 参考文献 | 第60-64页 |
| 附录 | 第64-65页 |
| 详细摘要 | 第65-67页 |