基于短时客流预测的公交区域调度优化研究
| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第1章 绪论 | 第9-17页 |
| 1.1 课题来源及研究意义 | 第9-10页 |
| 1.1.1 课题来源 | 第9页 |
| 1.1.2 研究背景和意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-15页 |
| 1.2.1 国外研究现状 | 第10-12页 |
| 1.2.2 国内研究现状 | 第12-14页 |
| 1.2.3 国内外研究现状评价 | 第14-15页 |
| 1.3 主要研究内容 | 第15页 |
| 1.4 研究方案 | 第15-17页 |
| 第2章 公交客流数据分析 | 第17-32页 |
| 2.1 公交客流数据采集方法研究 | 第17-18页 |
| 2.2 公交数据描述与预处理 | 第18-20页 |
| 2.2.1 公交IC卡数据 | 第18-19页 |
| 2.2.2 公交GPS数据 | 第19-20页 |
| 2.2.3 其它基础数据 | 第20页 |
| 2.3 公交客流的上下车站点、乘客换乘判定 | 第20-25页 |
| 2.3.1 上车站点确定方法 | 第21-22页 |
| 2.3.2 下车站点确定方法 | 第22-23页 |
| 2.3.3 乘客换乘判定方法 | 第23-25页 |
| 2.4 公交客流时空分布特性 | 第25-31页 |
| 2.4.1 公交客流时间分布特性 | 第25-29页 |
| 2.4.2 公交客流空间分布特性 | 第29-31页 |
| 2.5 本章小结 | 第31-32页 |
| 第3章 基于RBF神经网络模型的公交短时客流预测 | 第32-44页 |
| 3.1 公交短时客流预测方法的确定 | 第32-33页 |
| 3.2 RBF神经网络的理论概述 | 第33-37页 |
| 3.2.1 RBF神经网络的基本思想 | 第33页 |
| 3.2.2 RBF神经网络拓扑结构和映射关系 | 第33-35页 |
| 3.2.3 RBF神经网络的学习算法 | 第35-37页 |
| 3.3 基于RBF神经网络的站点短时客流预测 | 第37-39页 |
| 3.3.1 输入变量的确定 | 第37-38页 |
| 3.3.2 样本数据处理 | 第38-39页 |
| 3.3.3 客流量预测精度指标 | 第39页 |
| 3.4 公交站点短时客流预测实例分析 | 第39-43页 |
| 3.4.1 预测结果分析 | 第39-42页 |
| 3.4.2 输入变量对预测结果的影响分析 | 第42-43页 |
| 3.5 本章小结 | 第43-44页 |
| 第4章 基于短时客流的公交区域时刻表优化方法 | 第44-58页 |
| 4.1 公交区域时刻表编制问题描述 | 第44页 |
| 4.2 基于公交实时调度的动态运行时刻表 | 第44-47页 |
| 4.2.1 基于换乘时间窗的公交实时调度策略 | 第44-46页 |
| 4.2.2 基于动态运行时刻表的调度作业流程 | 第46-47页 |
| 4.3 区域动态时刻表优化模型 | 第47-53页 |
| 4.3.1 基本思路 | 第47页 |
| 4.3.2 模型建立 | 第47-50页 |
| 4.3.3 模型参数标定 | 第50-51页 |
| 4.3.4 模型求解 | 第51-53页 |
| 4.4 算例分析 | 第53-57页 |
| 4.4.1 算例设计 | 第53-55页 |
| 4.4.2 算例求解 | 第55-57页 |
| 4.4.3 结果分析 | 第57页 |
| 4.5 本章小结 | 第57-58页 |
| 结论与展望 | 第58-60页 |
| 参考文献 | 第60-64页 |
| 攻读硕士学位期间发表的论文及其它成果 | 第64-66页 |
| 致谢 | 第66-67页 |
| 附表 | 第67-75页 |
| 个人简历 | 第75页 |
