| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第一章 绪论 | 第8-14页 |
| 1.1 研究背景 | 第8页 |
| 1.2 研究目的和意义 | 第8-9页 |
| 1.3 国内外研究现状 | 第9-12页 |
| 1.3.1 国外研究现状 | 第10页 |
| 1.3.2 国内研究现状 | 第10-12页 |
| 1.4 研究内容及论文结构 | 第12-14页 |
| 1.4.1 研究内容 | 第12-13页 |
| 1.4.2 论文结构 | 第13-14页 |
| 第二章 城市轨道交通客流预测方法 | 第14-22页 |
| 2.1 客流宏观预测算法 | 第14-16页 |
| 2.1.1 四阶段法 | 第15页 |
| 2.1.2 土地利用法 | 第15-16页 |
| 2.1.3 非集聚模型 | 第16页 |
| 2.2 客流微观预测算法 | 第16-21页 |
| 2.2.1 时间序列模型 | 第17-18页 |
| 2.2.2 卡尔曼滤波模型 | 第18页 |
| 2.2.3 支持向量机模型 | 第18-20页 |
| 2.2.4 神经网络模型 | 第20页 |
| 2.2.5 组合预测模型 | 第20-21页 |
| 2.3 本章小结 | 第21-22页 |
| 第三章 城市轨道交通客流统计特性分析 | 第22-34页 |
| 3.1 客流统计特性分析 | 第22-28页 |
| 3.1.1 客流年增长统计特性分析 | 第22-24页 |
| 3.1.2 常态客流量统计分析 | 第24-25页 |
| 3.1.3 节假日客流量统计分析 | 第25-28页 |
| 3.1.4 票价变动客流量统计分析 | 第28页 |
| 3.2 常态客流稳定性分析 | 第28-32页 |
| 3.2.1 自相关函数和偏自相关函数原理 | 第29-30页 |
| 3.2.2 城市轨道交通常态客流自相关和偏自相关函数分析 | 第30-32页 |
| 3.3 聚类统计分析法 | 第32-33页 |
| 3.3.1 层次聚类方法步骤 | 第32页 |
| 3.3.2 常态客流聚类分析 | 第32-33页 |
| 3.4 本章小结 | 第33-34页 |
| 第四章 常态客流预测模型建立与实证分析 | 第34-52页 |
| 4.1 人工神经网络 | 第34-40页 |
| 4.1.1 神经网络原理及计算推导过程 | 第36-38页 |
| 4.1.2 BP神经网络的算法流程 | 第38-40页 |
| 4.2 小波分析算法 | 第40-43页 |
| 4.2.1 小波分析算法基本原理 | 第41-42页 |
| 4.2.2 常用的小波母函数 | 第42-43页 |
| 4.3 基于小波分析与神经网络的客流预测模型构建 | 第43-48页 |
| 4.3.1 基于小波分析与神经网络的客流预测模型原理 | 第43-44页 |
| 4.3.2 小波分析参数选取 | 第44-46页 |
| 4.3.3 BP神经网络模型参数选取 | 第46-48页 |
| 4.4 模型的实例验证 | 第48-51页 |
| 4.4.1 传统BP神经网络预测模型实例验证分析 | 第48-50页 |
| 4.4.2 改进预测模型实例验证分析 | 第50-51页 |
| 4.5 本章小结 | 第51-52页 |
| 第五章 节假日客流预测模型建立与实证分析 | 第52-63页 |
| 5.1 非参数回归模型的概念 | 第52-53页 |
| 5.2 非参数回归主要因素 | 第53-57页 |
| 5.2.1 核回归 | 第54-56页 |
| 5.2.2 K近邻回归 | 第56-57页 |
| 5.3 K近邻非参数回归模型算法步骤 | 第57-60页 |
| 5.4 非参数回归模型仿真实验 | 第60-62页 |
| 5.5 本章小结 | 第62-63页 |
| 第六章 总结与展望 | 第63-65页 |
| 6.1 结论 | 第63-64页 |
| 6.2 研究展望 | 第64-65页 |
| 参考文献 | 第65-68页 |
| 致谢 | 第68-69页 |
| 个人简历 | 第69页 |