基于GPR与KRR的城市轨道交通短时客流预测研究
| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 第1章 绪论 | 第9-15页 |
| 1.1 课题来源 | 第9页 |
| 1.2 研究背景及意义 | 第9-10页 |
| 1.3 相关领域国内外研究现状 | 第10-12页 |
| 1.4 论文主要研究内容和组织结构 | 第12-15页 |
| 1.4.1 论文主要研究内容 | 第12-14页 |
| 1.4.2 论文组织结构 | 第14-15页 |
| 第2章 数据预处理及出行特征分析 | 第15-28页 |
| 2.1 大数据平台技术 | 第15-16页 |
| 2.2 数据预处理 | 第16-22页 |
| 2.2.1 数据概述 | 第16-17页 |
| 2.2.2 数据清洗 | 第17页 |
| 2.2.3 出行OD匹配 | 第17-18页 |
| 2.2.4 进站客流到达站点预判 | 第18-21页 |
| 2.2.5 断面客流计算 | 第21-22页 |
| 2.3 出行特征时空特征分析 | 第22-25页 |
| 2.3.1 整体时间特征分析 | 第22-23页 |
| 2.3.2 整体出行时长特征分析 | 第23页 |
| 2.3.3 整体出行空间分布特征分析 | 第23-24页 |
| 2.3.4 断面客流相关性分析 | 第24-25页 |
| 2.4 短期客流特征分析 | 第25-27页 |
| 2.4.1 节假日交通集散枢纽站点客流特征 | 第25-26页 |
| 2.4.2 重大活动周边站点客流特征分析 | 第26-27页 |
| 2.5 本章小结 | 第27-28页 |
| 第3章 基于SAE的站点类型识别 | 第28-42页 |
| 3.1 TensorFlow深度学习框架 | 第28页 |
| 3.2 算法模型提出 | 第28-29页 |
| 3.3 基于SAE的站点客流特征提取 | 第29-40页 |
| 3.3.1 栈式自编码器 | 第29-31页 |
| 3.3.2 基于SAE聚类模型构建 | 第31-32页 |
| 3.3.3 实验结果与分析 | 第32-39页 |
| 3.3.4 站点类型识别模型比较 | 第39-40页 |
| 3.4 突发客流与站点类型关系分析 | 第40-41页 |
| 3.5 本章小结 | 第41-42页 |
| 第4章 客流预测及线网拥挤指数计算 | 第42-73页 |
| 4.1 客流预测模型设计 | 第42-43页 |
| 4.2 性能评价标准 | 第43页 |
| 4.3 客流特征选择 | 第43-50页 |
| 4.3.1 稳定特征选择算法 | 第44-47页 |
| 4.3.2 实验结果与分析 | 第47-50页 |
| 4.4 GPR预测模型构建 | 第50-56页 |
| 4.4.1 高斯过程回归(GPR)算法原理 | 第51-53页 |
| 4.4.2 GPR预测模型构建 | 第53页 |
| 4.4.3 实验结果与分析 | 第53-56页 |
| 4.5 混合预测模型构建 | 第56-65页 |
| 4.5.1 混合预测模型框架 | 第57-58页 |
| 4.5.2 KRR算法原理 | 第58-61页 |
| 4.5.3 混合预测模型构建 | 第61页 |
| 4.5.4 实验结果与分析 | 第61-65页 |
| 4.6 线网拥挤指数 | 第65-71页 |
| 4.6.1 多指标综合评价方法 | 第66页 |
| 4.6.2 PCA的基本思想和数学模型 | 第66-67页 |
| 4.6.3 基于PCA的综合评价模型构建 | 第67-70页 |
| 4.6.4 结果评估 | 第70-71页 |
| 4.7 本章小结 | 第71-73页 |
| 第5章 总结与展望 | 第73-75页 |
| 5.1 全文工作总结 | 第73-74页 |
| 5.2 未来工作展望 | 第74-75页 |
| 致谢 | 第75-76页 |
| 参考文献 | 第76-80页 |
| 攻读硕士学位期间的研究成果 | 第80页 |
