| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第一章 绪论 | 第10-19页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.2 地铁短时客流量预测发展现状 | 第11-17页 |
| 1.2.1 地铁短时客流量预测概述 | 第11-12页 |
| 1.2.2 地铁短时客流量预测国内外研究现状 | 第12-17页 |
| 1.3 论文主要内及章节结构 | 第17-19页 |
| 第二章 深度学习基本理论 | 第19-28页 |
| 2.1 深度学习概述 | 第19-22页 |
| 2.1.1 深度学习原理及本质 | 第19-21页 |
| 2.1.2 深度学习的特点 | 第21-22页 |
| 2.2 深度学习常用模型及方法 | 第22-26页 |
| 2.2.1 自编码器 | 第22-23页 |
| 2.2.2 卷积神经网络 | 第23-24页 |
| 2.2.3 深度信念网络 | 第24-26页 |
| 2.3 深度学习的发展及应用 | 第26-27页 |
| 2.4 本章小结 | 第27-28页 |
| 第三章 深度结构顶层支持向量机模型的设计与实现 | 第28-43页 |
| 3.1 支持向量回归机原理 | 第28-30页 |
| 3.2 GA-SVM模型的设计与实现 | 第30-33页 |
| 3.3 PSO-SVM模型的设计与实现 | 第33-34页 |
| 3.4 深层结构顶层预测模型预测实验 | 第34-42页 |
| 3.4.1 核函数的选择 | 第35-40页 |
| 3.4.2 优化算法性能比对 | 第40-42页 |
| 3.5 本章小结 | 第42-43页 |
| 第四章 深度结构底层神经网络结构的设计与实现 | 第43-53页 |
| 4.1 无监督式学习下的逐层权值训练 | 第43-46页 |
| 4.2 有监督式学习下的整体权值微调 | 第46-47页 |
| 4.3 深度结构底层网络结构参数选择对比实验 | 第47-52页 |
| 4.3.1 DBN模型深度的选择 | 第47-50页 |
| 4.3.2 DBN模型隐层节点个数的选择 | 第50-52页 |
| 4.4 本章小结 | 第52-53页 |
| 第五章 基于DBN-P/GSVM模型的成都地铁短时客流量预测模型的实例分析 | 第53-77页 |
| 5.1 数据准备 | 第53-58页 |
| 5.1.1 数据来源 | 第53页 |
| 5.1.2 样本数据集 | 第53-58页 |
| 5.2 评价指标 | 第58-59页 |
| 5.3 DBN-P/GSVM模型算法性能研究 | 第59-66页 |
| 5.4 客流量统计时间间隔对地铁短时客流量预测的影响 | 第66-76页 |
| 5.5 本章小结 | 第76-77页 |
| 结论 | 第77-80页 |
| 致谢 | 第80-81页 |
| 参考文献 | 第81-84页 |
| 攻读学位期间发表的论文 | 第84页 |