城市轨道交通客流短期预测方法及实证研究
| 致谢 | 第1-6页 |
| 中文摘要 | 第6-7页 |
| ABSTRACT | 第7-9页 |
| 目录 | 第9-12页 |
| 1 绪论 | 第12-19页 |
| ·研究背景 | 第12-13页 |
| ·研究意义 | 第13页 |
| ·研究现状 | 第13-16页 |
| ·国内研究现状 | 第14-15页 |
| ·国外研究现状 | 第15-16页 |
| ·论文主要研究内容 | 第16-17页 |
| ·论文结构 | 第17-19页 |
| 2 常用预测方法 | 第19-28页 |
| ·基于统计方法的模型 | 第19-21页 |
| ·非参数回归模型 | 第21-22页 |
| ·神经网络模型 | 第22-24页 |
| ·单一的神经网络预测模型 | 第22-23页 |
| ·优化的神经网络预测模型 | 第23页 |
| ·综合的神经网络预测模型 | 第23-24页 |
| ·支持向量机模型 | 第24页 |
| ·基于混沌理论的模型 | 第24-26页 |
| ·交通仿真模型 | 第26页 |
| ·组合模型 | 第26-27页 |
| ·小结 | 第27-28页 |
| 3 城市轨道交通客流时序特征分析 | 第28-41页 |
| ·历史数据统计 | 第28-33页 |
| ·假期前各线路流量总趋势 | 第28-30页 |
| ·同一线路客流变化周趋势 | 第30-31页 |
| ·清明节假期线路流量变化趋势 | 第31-33页 |
| ·影响因素分析 | 第33-36页 |
| ·1号线线路流量的影响因素分析 | 第33-34页 |
| ·8号线线路流量的影响因素分析 | 第34-35页 |
| ·房山线线路流量的影响因素分析 | 第35-36页 |
| ·周末每日客流量变化趋势 | 第36页 |
| ·样本的聚类分析 | 第36-40页 |
| ·系统聚类分析 | 第37-38页 |
| ·样本的聚类分析 | 第38-40页 |
| ·小结 | 第40-41页 |
| 4 基于时序特征的多模块加权神经网络客流预测方法 | 第41-50页 |
| ·径向基函数(RBF)神经网络 | 第41-42页 |
| ·基本原理 | 第41页 |
| ·网络结构 | 第41-42页 |
| ·RBF神经网络的改进 | 第42-46页 |
| ·问题的提出 | 第42-43页 |
| ·模型改进思路 | 第43页 |
| ·模型改进原理 | 第43-44页 |
| ·改进模型的预测流程 | 第44-46页 |
| ·案例分析 | 第46-49页 |
| ·数据选取 | 第46页 |
| ·模型结构确定 | 第46页 |
| ·进行预测 | 第46-48页 |
| ·结果分析 | 第48-49页 |
| ·小结 | 第49-50页 |
| 5 基于混合核函数的支持向量机客流预测方法 | 第50-63页 |
| ·支持向量机 | 第50-54页 |
| ·基本原理 | 第50-51页 |
| ·核函数类型 | 第51-52页 |
| ·不同核函数的性能 | 第52-54页 |
| ·支持向量机预测模型的改进 | 第54-57页 |
| ·混合核函数的构建 | 第54页 |
| ·支持向量机模型的改进 | 第54-55页 |
| ·改进模型算法流程 | 第55-56页 |
| ·改进模型预测流程图 | 第56-57页 |
| ·实例预测 | 第57-62页 |
| ·数据选取 | 第57页 |
| ·预测结果 | 第57-59页 |
| ·误差分析 | 第59-62页 |
| ·小结 | 第62-63页 |
| 6 基于灰色关联度最大化的组合预测方法 | 第63-77页 |
| ·组合预测概述 | 第63-66页 |
| ·组合预测的提出 | 第63页 |
| ·组合预测的模式 | 第63-66页 |
| ·组合预测模型的构建 | 第66-68页 |
| ·灰色关联度分析 | 第66-67页 |
| ·基于灰色关联度最大化的组合预测模型 | 第67-68页 |
| ·实例预测 | 第68-76页 |
| ·提出预测方案 | 第68-72页 |
| ·单项模型预测 | 第72-73页 |
| ·构建组合预测模型 | 第73-74页 |
| ·结果分析 | 第74-76页 |
| ·小结 | 第76-77页 |
| 7 总结与展望 | 第77-79页 |
| ·主要研究结果 | 第77页 |
| ·研究展望 | 第77-79页 |
| 参考文献 | 第79-83页 |
| 作者简历 | 第83-85页 |
| 学位论文数据集 | 第85页 |
