| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 选题背景 | 第10页 |
| 1.2 研究意义 | 第10-11页 |
| 1.3 国内外研究现状 | 第11-13页 |
| 1.3.1 客流预测研究现状 | 第11-12页 |
| 1.3.2 客流预警研究现状 | 第12-13页 |
| 1.4 研究方法 | 第13页 |
| 1.5 研究内容 | 第13-15页 |
| 1.6 研究技术路线 | 第15-16页 |
| 第2章 枢纽站突发大客流传播特性及影响分析 | 第16-29页 |
| 2.1 突发大客流的概述 | 第16-19页 |
| 2.1.1 突发大客流定义 | 第16页 |
| 2.1.2 突发大客流的辨识 | 第16-19页 |
| 2.2 大客流的传播特性 | 第19-22页 |
| 2.2.1 突发大客流在枢纽内的传播过程 | 第19-21页 |
| 2.2.2 枢纽站内突发大客流在路网内的衰减过程 | 第21-22页 |
| 2.3 突发大客流对车站通过能力的影响 | 第22-24页 |
| 2.3.1 突发大客流对枢纽站地铁系统通过能力的影响 | 第23-24页 |
| 2.3.2 突发大客流对枢纽站公交系统通过能力的影响 | 第24页 |
| 2.4 突发大客流对成都东站服务的影响分析 | 第24-29页 |
| 2.4.1 对火车站服务的影响 | 第25-26页 |
| 2.4.2 对公交服务的影响 | 第26页 |
| 2.4.3 对地铁系统服务的影响 | 第26-29页 |
| 第3章 基于聚类和神经网络的客流预测模型 | 第29-42页 |
| 3.1 组合预测方法 | 第29-30页 |
| 3.2 K-MEANS聚类分析 | 第30-33页 |
| 3.2.1 K-means聚类思想 | 第30页 |
| 3.2.2 K-means算法聚类步骤 | 第30-31页 |
| 3.2.3 最佳聚类数的确定 | 第31-33页 |
| 3.3 GRNN的基本原理结构及算法 | 第33-35页 |
| 3.4 成都东站客流预测检验分析 | 第35-42页 |
| 3.4.1 预测模型 | 第35-36页 |
| 3.4.2 实验仿真结果 | 第36-42页 |
| 第4章 综合客运枢纽预警分级分析 | 第42-48页 |
| 4.1 客流安全预警因数分析 | 第42-43页 |
| 4.2 客流安全预警等级划分 | 第43-48页 |
| 4.2.1 客流安全预警等级划分函数关系式 | 第44-46页 |
| 4.2.2 客流安全等级判定参数阈值确定 | 第46-48页 |
| 第5章 成都东站换乘层预警分析 | 第48-56页 |
| 5.1 成都东站地铁站设备能力分析 | 第48-53页 |
| 5.2 成都东站换乘层区域客流预警分析 | 第53-55页 |
| 5.3 预警应对措施分析 | 第55-56页 |
| 结论与展望 | 第56-57页 |
| 致谢 | 第57-58页 |
| 参考文献 | 第58-62页 |
| 攻读硕士学位期间发表的论文及科研成果 | 第62页 |