中文摘要 | 第3-4页 |
英文摘要 | 第4-5页 |
1 绪论 | 第9-17页 |
1.1 研究背景 | 第9-12页 |
1.1.1 世界城市轨道交通发展现状 | 第9-10页 |
1.1.2 中国城市轨道交通发展现状 | 第10-12页 |
1.2 客流预测研究现状 | 第12-14页 |
1.2.1 国外研究现状 | 第12-13页 |
1.2.2 国内研究现状 | 第13页 |
1.2.3 研究现状总结 | 第13-14页 |
1.3 论文研究内容及意义 | 第14-16页 |
1.3.1 研究内容 | 第14-15页 |
1.3.2 研究意义 | 第15-16页 |
1.4 论文组织结构 | 第16-17页 |
2 客流特征分析及相关理论基础 | 第17-35页 |
2.1 引言 | 第17页 |
2.2 轨道交通线网特点与客流特征 | 第17-26页 |
2.2.1 轨道交通线网特点 | 第17-18页 |
2.2.2 客流属性 | 第18-19页 |
2.2.3 客流调查 | 第19-20页 |
2.2.4 客流分布规律 | 第20-26页 |
2.3 客流预测理论基础 | 第26-33页 |
2.3.1 支持向量机 | 第26-29页 |
2.3.2 神经网络 | 第29-33页 |
2.4 本章小结 | 第33-35页 |
3 短时客流预测模型设计 | 第35-49页 |
3.1 引言 | 第35页 |
3.2 基于支持向量回归机的客流预测模型 | 第35-38页 |
3.2.1 支持向量回归基本原理 | 第35-36页 |
3.2.2 核函数类型 | 第36-37页 |
3.2.3 基于支持向量回归机的客流预测模型构建 | 第37-38页 |
3.3 基于神经网络的客流预测模型 | 第38-46页 |
3.3.1 基于NAR神经网络的客流预测模型搭建 | 第38-40页 |
3.3.2 基于NARX神经网络的客流预测模型构建 | 第40-42页 |
3.3.3 网络结构与参数设计 | 第42-43页 |
3.3.4 训练算法 | 第43-44页 |
3.3.5 激励函数 | 第44-46页 |
3.4 本章小结 | 第46-49页 |
4 客流预测算法实现与实验分析 | 第49-73页 |
4.1 引言 | 第49页 |
4.2 实验环境与原始数据集 | 第49-50页 |
4.2.1 实验环境 | 第49页 |
4.2.2 初始数据描述 | 第49-50页 |
4.3 数据预处理 | 第50-53页 |
4.3.1 关键信息提取 | 第51-53页 |
4.3.2 数据整理 | 第53页 |
4.3.3 分钟级出入客流量统计 | 第53页 |
4.4 基于支持向量回归机的短时客流预测模型实现 | 第53-56页 |
4.4.1 客流预测实验过程 | 第53-54页 |
4.4.2 预测结果 | 第54-56页 |
4.5 基于时滞NAR神经网络的客流预测模型实现 | 第56-62页 |
4.5.1 客流预测实验过程 | 第56-57页 |
4.5.2 预测结果 | 第57-61页 |
4.5.3 实验评估 | 第61-62页 |
4.6 基于时滞NARX神经网络的客流预测实现 | 第62-69页 |
4.6.1 客流预测实验过程 | 第62-63页 |
4.6.2 预测结果 | 第63-67页 |
4.6.3 实验评估 | 第67-69页 |
4.7 实验模型对比 | 第69-71页 |
4.8 本章小结 | 第71-73页 |
5 重庆轨道交通协调发展分析平台 | 第73-81页 |
5.1 引入 | 第73页 |
5.2 项目概况与业务模式 | 第73-74页 |
5.2.1 项目概况 | 第73页 |
5.2.2 业务模式 | 第73-74页 |
5.3 系统设计 | 第74-76页 |
5.3.1 系统架构 | 第74页 |
5.3.2 软件架构 | 第74-76页 |
5.4 预测模块功能设计 | 第76-80页 |
5.4.1 运营指标 | 第77页 |
5.4.2 线路客运量 | 第77-78页 |
5.4.3 线路断面 | 第78页 |
5.4.4 票价分布 | 第78-80页 |
5.5 本章小结 | 第80-81页 |
6 总结与展望 | 第81-83页 |
6.1 总结 | 第81-82页 |
6.2 展望 | 第82-83页 |
致谢 | 第83-85页 |
参考文献 | 第85-89页 |
附录 | 第89页 |
A. 作者在攻读学位期间完成的论文 | 第89页 |