| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第1章 绪论 | 第11-18页 |
| 1.1 研究背景及意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-16页 |
| 1.2.1 国内外研究现状 | 第12-15页 |
| 1.2.2 目前研究存在的问题 | 第15-16页 |
| 1.3 研究内容 | 第16页 |
| 1.4 论文结构安排 | 第16-17页 |
| 1.5 本章小结 | 第17-18页 |
| 第2章 相关理论和技术 | 第18-30页 |
| 2.1 短时客流预测模型相关理论 | 第18-22页 |
| 2.1.1 主要预测模型概述 | 第18-22页 |
| 2.1.2 预测模型的选择与分析 | 第22页 |
| 2.2 RBF神经网络概述 | 第22-29页 |
| 2.2.1 RBF神经网络原理 | 第23-26页 |
| 2.2.2 RBF神经网络拓扑结构 | 第26-27页 |
| 2.2.3 RBF神经网络的映射关系 | 第27-28页 |
| 2.2.4 RBF神经网络的学习算法 | 第28-29页 |
| 2.3 本章小结 | 第29-30页 |
| 第3章 公交站点客流数据分析 | 第30-44页 |
| 3.1 数据来源 | 第30-35页 |
| 3.1.1 公交客流相关概述 | 第30页 |
| 3.1.2 公交客流数据采集方法 | 第30-32页 |
| 3.1.3 公交站点客流数据的获取 | 第32-35页 |
| 3.2 客流时间分布特性分析 | 第35-40页 |
| 3.2.1 日客流的分布特征 | 第35-39页 |
| 3.2.2 一周内客流的分布特征 | 第39-40页 |
| 3.2.3 一月内客流的分布特征 | 第40页 |
| 3.3 客流空间分布特性分析 | 第40-41页 |
| 3.4 短时客流时空相关性的验证 | 第41-43页 |
| 3.4.1 短时客流时间相关性的验证 | 第41-42页 |
| 3.4.2 短时客流空间相关性的验证 | 第42-43页 |
| 3.5 本章小结 | 第43-44页 |
| 第4章 基于改进的RBF神经网络的公交站点短时客流预测模型 | 第44-55页 |
| 4.1 预测模型的评价指标 | 第44-45页 |
| 4.2 数据归一化处理 | 第45页 |
| 4.3 RBF神经网络预测模型的改进 | 第45-54页 |
| 4.3.1 改进思路 | 第45-46页 |
| 4.3.2 改进模型的建立 | 第46-54页 |
| 4.4 本章小结 | 第54-55页 |
| 第5章 公交站点短时客流预测模型的验证与应用 | 第55-72页 |
| 5.1 数据准备 | 第55-56页 |
| 5.2 模型的验证与对比 | 第56-60页 |
| 5.2.1 模型的验证 | 第56-58页 |
| 5.2.2 模型的对比 | 第58-60页 |
| 5.3 不同维度变量对于预测结果的影响 | 第60-65页 |
| 5.3.1 基于时间维度的预测模型验证 | 第61-63页 |
| 5.3.2 基于空间维度的预测模型验证 | 第63页 |
| 5.3.3 基于时空维度的预测模型验证 | 第63-64页 |
| 5.3.4 预测模型的总体预测流程 | 第64-65页 |
| 5.4 公交站点客流预测原型系统的实现 | 第65-70页 |
| 5.4.1 概要设计 | 第65-66页 |
| 5.4.2 模块设计 | 第66-67页 |
| 5.4.3 数据库设计 | 第67-68页 |
| 5.4.4 原型系统实现 | 第68-70页 |
| 5.5 本章小结 | 第70-72页 |
| 第6章 总结与展望 | 第72-74页 |
| 6.1 论文工作总结 | 第72-73页 |
| 6.2 下一步研究工作 | 第73-74页 |
| 参考文献 | 第74-78页 |
| 致谢 | 第78页 |