| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7-8页 |
| 1 绪论 | 第12-22页 |
| 1.1 研究背景 | 第12-13页 |
| 1.2 研究意义 | 第13-14页 |
| 1.3 国内外研究现状 | 第14-19页 |
| 1.3.1 短期客流预测研究现状 | 第14-15页 |
| 1.3.2 列车时刻表优化研究现状 | 第15-18页 |
| 1.3.3 研究现状总结 | 第18-19页 |
| 1.4 论文研究内容及主要框架 | 第19-22页 |
| 2 基于HADOOP的AFC客流处理和特征分析 | 第22-40页 |
| 2.1 AFC系统概述 | 第22-24页 |
| 2.2 HADOOP平台概述 | 第24-27页 |
| 2.2.1 并行计算框架MapReduce | 第24-26页 |
| 2.2.2 分布式文件系统HDFS | 第26-27页 |
| 2.3 HADOOP平台的搭建 | 第27-29页 |
| 2.4 基于HADOOP的AFC数据处理 | 第29-33页 |
| 2.5 线路客流分布特征分析 | 第33-38页 |
| 2.5.1 线路客流时间分布特征 | 第33-35页 |
| 2.5.2 线路客流车站分布特征 | 第35-36页 |
| 2.5.3 线路客流周期分布特征 | 第36-37页 |
| 2.5.4 线路客流方向分布特征 | 第37-38页 |
| 2.6 本章小结 | 第38-40页 |
| 3 城市轨道交通客流预测模型的建立与实现 | 第40-48页 |
| 3.1 极限学习机 | 第40-42页 |
| 3.2 时间序列预测方案 | 第42-43页 |
| 3.3 数据归一化 | 第43页 |
| 3.4 北京城市轨道交通进站客流预测 | 第43-47页 |
| 3.5 本章小结 | 第47-48页 |
| 4 动态客流下列车时刻表多目标优化建模与算法设计 | 第48-68页 |
| 4.1 基本假设及符号定义 | 第48-50页 |
| 4.1.1 基本假设 | 第48页 |
| 4.1.2 符号定义 | 第48-50页 |
| 4.2 列车时刻表多目标优化建模 | 第50-57页 |
| 4.2.1 列车行车模型 | 第50-51页 |
| 4.2.2 乘客乘车模型 | 第51-55页 |
| 4.2.3 优化目标 | 第55-56页 |
| 4.2.4 约束条件 | 第56-57页 |
| 4.3 算法设计 | 第57-65页 |
| 4.3.1 遗传算法介绍 | 第57-58页 |
| 4.3.2 自适应遗传算法设计 | 第58-65页 |
| 4.4 本章小结 | 第65-68页 |
| 5 HADOOP平台下的模型实现与验证 | 第68-84页 |
| 5.1 背景介绍 | 第68页 |
| 5.2 基础数据 | 第68-73页 |
| 5.3 基于MAPREDUCE的自适应遗传算法实现 | 第73-74页 |
| 5.4 优化方案及结果分析 | 第74-83页 |
| 5.4.1 午平峰优化 | 第75-78页 |
| 5.4.2 晚高峰优化 | 第78-83页 |
| 5.5 本章小结 | 第83-84页 |
| 6 结论及展望 | 第84-86页 |
| 6.1 结论 | 第84-85页 |
| 6.2 展望 | 第85-86页 |
| 参考文献 | 第86-92页 |
| 附录A | 第92-94页 |
| 附录B | 第94-96页 |
| 图索引 | 第96-98页 |
| 表索引 | 第98-100页 |
| 作者简历及攻读硕士学位期间取得的研究成果 | 第100-104页 |
| 学位论文数据集 | 第104页 |