| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 1 绪论 | 第10-17页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-14页 |
| 1.2.1 单项预测方法的研究应用 | 第11-12页 |
| 1.2.2 组合预测方法的研究应用 | 第12-14页 |
| 1.2.3 国内外研究评价 | 第14页 |
| 1.3 论文的主要内容与组织框架 | 第14-17页 |
| 1.3.1 论文的主要内容 | 第14-15页 |
| 1.3.2 论文的组织框架 | 第15-17页 |
| 2 高铁客运量影响因素分析及预测方法研究 | 第17-25页 |
| 2.1 客运量变化的特点及预测步骤 | 第17-18页 |
| 2.1.1 客运量变化的特点 | 第17页 |
| 2.1.2 客运量预测的思路及步骤 | 第17-18页 |
| 2.2 高铁客运量影响因素分析 | 第18-22页 |
| 2.2.1 影响客运量的因素 | 第18-20页 |
| 2.2.2 影响因素选取准则 | 第20页 |
| 2.2.3 影响因素的确定 | 第20-22页 |
| 2.3 高铁客运量预测研究方法 | 第22-24页 |
| 2.3.1 高铁客运量预测方法的分析 | 第22-23页 |
| 2.3.2 高铁客运量预测方法的选择 | 第23-24页 |
| 2.4 本章小结 | 第24-25页 |
| 3 基于IOWA组合模型的高铁客运量预测 | 第25-40页 |
| 3.1 单项模型选择 | 第25-34页 |
| 3.1.1 偏最小二乘回归模型 | 第25-28页 |
| 3.1.2 灰色GM(1,1)预测模型 | 第28-31页 |
| 3.1.3 BP神经网络预测模型 | 第31-34页 |
| 3.2 IOWA组合预测 | 第34-39页 |
| 3.2.1 组合预测基本原理 | 第34-36页 |
| 3.2.2 IOWA算子的概念及性质 | 第36-37页 |
| 3.2.3 IOWA组合预测模型 | 第37-39页 |
| 3.3 本章小结 | 第39-40页 |
| 4 基于PSO-BP模型的高铁客运量预测 | 第40-50页 |
| 4.1 粒子群优化算法概述 | 第40-41页 |
| 4.2 粒子群优化算法 | 第41-43页 |
| 4.2.1 算法原理 | 第41页 |
| 4.2.2 算法参数设置 | 第41-42页 |
| 4.2.3 算法流程 | 第42-43页 |
| 4.3 粒子群优化算法与BP神经网络的结合 | 第43-45页 |
| 4.3.1 BP神经网络的优点和局限性 | 第43-44页 |
| 4.3.2 PSO算法与BP网络的融合 | 第44-45页 |
| 4.4 PSO-BP神经网络预测模型 | 第45-49页 |
| 4.5 本章小结 | 第49-50页 |
| 5 高铁客运量预测实证分析 | 第50-70页 |
| 5.1 数据的收集与处理 | 第50-53页 |
| 5.1.1 数据的收集 | 第50-51页 |
| 5.1.2 数据的预处理 | 第51-53页 |
| 5.2 基于IOWA组合模型的高铁客运量预测的实现 | 第53-64页 |
| 5.2.1 偏最小二乘回归(PLS)预测模型实现 | 第53-55页 |
| 5.2.2 灰色GM(1,1)预测模型实现 | 第55-57页 |
| 5.2.3 BP神经网络预测模型实现 | 第57-61页 |
| 5.2.4 IOWA组合预测的实现 | 第61-64页 |
| 5.3 基于PSO-BP模型的高铁客运量预测的实现 | 第64-68页 |
| 5.4 客运量预测结果对比分析 | 第68-69页 |
| 5.5 本章小结 | 第69-70页 |
| 结论 | 第70-72页 |
| 致谢 | 第72-73页 |
| 参考文献 | 第73-76页 |
| 攻读学位期间的研究成果 | 第76页 |