基于IC卡数据的公共自行车使用特性与动态调度优化研究
| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 第一章 绪论 | 第10-18页 |
| 1.1 研究背景 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-14页 |
| 1.2.1 公共自行车特性研究 | 第11-12页 |
| 1.2.2 公共自行车需求预测 | 第12页 |
| 1.2.3 公共自行车调度优化模型 | 第12-13页 |
| 1.2.4 国内外研究现状综述 | 第13-14页 |
| 1.3 研究内容 | 第14-18页 |
| 1.3.1 研究目标与研究内容 | 第14页 |
| 1.3.2 研究方法与技术路线 | 第14-18页 |
| 第二章 基于IC卡数据的公共自行车使用特性分析 | 第18-32页 |
| 2.1 IC卡数据分析与预处理 | 第18-20页 |
| 2.1.1 IC卡数据结构 | 第18页 |
| 2.1.2 IC卡数据预处理 | 第18-20页 |
| 2.2 使用特性分析 | 第20-31页 |
| 2.2.1 时间分布 | 第20-21页 |
| 2.2.2 站点相似性 | 第21-26页 |
| 2.2.3 潮汐性 | 第26-27页 |
| 2.2.4 周期性 | 第27-28页 |
| 2.2.5 区域流动性 | 第28-31页 |
| 2.3 本章小结 | 第31-32页 |
| 第三章 公共自行车站点短时需求预测方法 | 第32-42页 |
| 3.1 预测方法概述 | 第32-33页 |
| 3.2 BP神经网络原理 | 第33-37页 |
| 3.2.1 BP神经网络结构 | 第33页 |
| 3.2.2 BP神经网络算法 | 第33-36页 |
| 3.2.3 BP神经网络参数选择 | 第36-37页 |
| 3.3 预测实例 | 第37-40页 |
| 3.3.1 数据样本分析 | 第38页 |
| 3.3.2 网络训练 | 第38-39页 |
| 3.3.3 预测结果分析 | 第39-40页 |
| 3.4 本章小结 | 第40-42页 |
| 第四章 公共自行车动态调度优化模型 | 第42-56页 |
| 4.1 公共自行车动态调度问题分析 | 第42-45页 |
| 4.1.1 动态调度问题描述 | 第42页 |
| 4.1.2 动态调度影响因素分析 | 第42-43页 |
| 4.1.3 动态事件类型 | 第43-44页 |
| 4.1.4 动态调度主要内容 | 第44-45页 |
| 4.2 公共自行车动态调度优化模型 | 第45-50页 |
| 4.2.1 调度需求确定思路 | 第45-46页 |
| 4.2.2 调度车辆路径优化模型 | 第46-50页 |
| 4.3 模型求解 | 第50-55页 |
| 4.3.1 算法概述 | 第50-51页 |
| 4.3.2 求解思路 | 第51页 |
| 4.3.3 算法实现 | 第51-55页 |
| 4.4 本章小结 | 第55-56页 |
| 第五章 公共自行车动态调度实例分析 | 第56-62页 |
| 5.1 调度区域概况 | 第56-57页 |
| 5.2 参数设定 | 第57-58页 |
| 5.3 求解结果 | 第58-61页 |
| 5.3.1 滚动时域设置 | 第58-59页 |
| 5.3.2 初始方案生成 | 第59页 |
| 5.3.3 调度方案优化 | 第59-60页 |
| 5.3.4 结果分析 | 第60-61页 |
| 5.4 本章小结 | 第61-62页 |
| 第六章 总结与展望 | 第62-64页 |
| 6.1 研究成果和主要结论 | 第62页 |
| 6.2 主要创新点 | 第62-63页 |
| 6.3 研究展望 | 第63-64页 |
| 致谢 | 第64-65页 |
| 参考文献 | 第65-68页 |
| 附录A 公共自行车站点需求预测模型代码 | 第68-71页 |
| 附录B 遗传算法求解动态调度优化模型代码 | 第71-77页 |
| 作者简介 | 第77页 |
