| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 1 绪论 | 第9-13页 |
| 1.1 选题背景和意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-11页 |
| 1.3 主要研究内容 | 第11-13页 |
| 2 城市轨道交通客流分析 | 第13-17页 |
| 2.1 客流概述 | 第13页 |
| 2.2 客流分析 | 第13-16页 |
| 2.2.1 客流时间分布特征分析 | 第13-16页 |
| 2.2.2 客流空间分布特征分析 | 第16页 |
| 2.3 小结 | 第16-17页 |
| 3 城市轨道交通短期客流预测方法研究 | 第17-24页 |
| 3.1 短期客流预测方法概述 | 第17-19页 |
| 3.2 基于小波神经网络的预测模型 | 第19-23页 |
| 3.2.1 小波神经网络分类及结构 | 第19-21页 |
| 3.2.2 小波神经网络算法 | 第21-22页 |
| 3.2.3 小波神经网络的性能分析 | 第22-23页 |
| 3.3 小结 | 第23-24页 |
| 4 小波神经网络优化算法研究 | 第24-38页 |
| 4.1 蝙蝠算法 | 第24-25页 |
| 4.2 混合蛙跳算法 | 第25-26页 |
| 4.3 带有高斯变异的混合蛙跳蝙蝠算法 | 第26-28页 |
| 4.4 性能测试与分析 | 第28-36页 |
| 4.4.1 固定迭代次数的寻优精度及收敛速度 | 第28-32页 |
| 4.4.2 固定寻优精度下的平均迭代次数和收敛成功率 | 第32-33页 |
| 4.4.3 在高维函数上的优化性能测试对比分析 | 第33-36页 |
| 4.5 带有高斯变异的混合蛙跳蝙蝠算法优化小波神经网络 | 第36-37页 |
| 4.6 小结 | 第37-38页 |
| 5 城市轨道交通短期客流预测 | 第38-56页 |
| 5.1 样本分析与处理 | 第38-39页 |
| 5.1.1 样本聚类分析 | 第38-39页 |
| 5.1.2 数据样本预处理 | 第39页 |
| 5.2 评价指标 | 第39-40页 |
| 5.3 客流日期回归预测 | 第40-47页 |
| 5.3.1 输入输出向量设计以及训练样本选择 | 第40-41页 |
| 5.3.2 网络测试 | 第41-47页 |
| 5.4 客流时段时间序列预测 | 第47-54页 |
| 5.4.1 输入输出向量设计以及训练样本选择 | 第47-48页 |
| 5.4.2 网络测试 | 第48-54页 |
| 5.5 小结 | 第54-56页 |
| 结论 | 第56-57页 |
| 致谢 | 第57-58页 |
| 参考文献 | 第58-61页 |
| 攻读学位期间的研究成果 | 第61页 |