降雨天气条件下短时公交客流预测研究
| 摘要 | 第3-4页 |
| ABSTRACT | 第4-5页 |
| 第1章 绪论 | 第8-16页 |
| 1.1 研究背景及意义 | 第8-9页 |
| 1.1.1 研究背景 | 第8页 |
| 1.1.2 研究意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-14页 |
| 1.2.1 国外研究现状 | 第9-11页 |
| 1.2.2 国内研究现状 | 第11-13页 |
| 1.2.3 国内外研究现状评述 | 第13-14页 |
| 1.3 主要研究内容 | 第14页 |
| 1.4 研究技术路线 | 第14-16页 |
| 第2章 数据的处理及分析 | 第16-32页 |
| 2.1 数据的预处理 | 第16-17页 |
| 2.1.1 公交IC卡数据的预处理 | 第16页 |
| 2.1.2 天气数据的预处理 | 第16-17页 |
| 2.2 公交客流时间变化规律 | 第17-22页 |
| 2.2.1 公交客流的季度变化规律 | 第18页 |
| 2.2.2 公交客流的月变化规律 | 第18-19页 |
| 2.2.3 公交客流的周变化规律 | 第19-20页 |
| 2.2.4 公交客流的星期变化规律 | 第20-21页 |
| 2.2.5 公交客流的时变规律 | 第21-22页 |
| 2.3 降雨天气对公交客流的影响的研究 | 第22-31页 |
| 2.3.1 公交客流量的影响因素分析 | 第22-23页 |
| 2.3.2 降雨天气因素与公交客流量的相关分析 | 第23-25页 |
| 2.3.3 降雨天气因素对公交客流的影响分析 | 第25-31页 |
| 2.4 本章小结 | 第31-32页 |
| 第3章 短时公交客流预测算法 | 第32-45页 |
| 3.1 短时公交客流预测方法的概述 | 第32-34页 |
| 3.2 基于SVM-KNN的短时公交客流预测算法 | 第34-43页 |
| 3.2.1 SVM-KNN算法的基本思想 | 第34页 |
| 3.2.2 SVM与KNN算法的概述 | 第34-36页 |
| 3.2.3 SVM-KNN算法的预测框架 | 第36-42页 |
| 3.2.4 SVM-KNN算法的预测流程 | 第42-43页 |
| 3.3 短时客流预测模型性能评价标准 | 第43-44页 |
| 3.4 本章小结 | 第44-45页 |
| 第4章 短时公交客流预测及评价 | 第45-57页 |
| 4.1 基于SVM-KNN算法的预测 | 第45-48页 |
| 4.1.1 基于SVM数据库的构建 | 第45-46页 |
| 4.1.2 基于KNN相似模式的识别 | 第46页 |
| 4.1.3 基于SVM-KNN算法的预测结果 | 第46-48页 |
| 4.2 基于ARIMA模型和RBF模型的预测 | 第48-54页 |
| 4.2.1 基于ARIMA模型的预测 | 第48-52页 |
| 4.2.2 基于RBF模型的预测 | 第52-54页 |
| 4.3 三种模型预测结果的对比评价 | 第54-56页 |
| 4.4 本章小结 | 第56-57页 |
| 结论 | 第57-58页 |
| 参考文献 | 第58-63页 |
| 致谢 | 第63页 |
