| 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 研究背景和意义 | 第12-13页 |
| 1.1.1 研究背景 | 第12-13页 |
| 1.1.2 研究意义 | 第13页 |
| 1.2 国内外研究现状 | 第13-19页 |
| 1.2.1 SP调查设计研究现状 | 第14-15页 |
| 1.2.2 出行时间选择行为研究现状 | 第15-17页 |
| 1.2.3 贝叶斯网络应用研究现状 | 第17-19页 |
| 1.2.4 研究现状总结 | 第19页 |
| 1.3 论文研究内容和技术路线 | 第19-22页 |
| 1.3.1 论文研究内容 | 第19-20页 |
| 1.3.2 技术路线 | 第20-22页 |
| 2 城市轨道交通早高峰乘客出行时间选择行为 | 第22-46页 |
| 2.1 城市轨道交通早高峰乘客出行时间选择分布特性 | 第22-23页 |
| 2.1.1 早高峰乘客出行时间选择的时间分布特性 | 第22-23页 |
| 2.1.2 早高峰乘客出行时间选择的空间分布特性 | 第23页 |
| 2.2 出行时间选择影响因素及过程分析 | 第23-27页 |
| 2.3 基于RP、SP的早高峰乘客出行时间选择调查设计 | 第27-44页 |
| 2.3.1 SC实验属性筛选 | 第27-30页 |
| 2.3.2 基于RP数据的属性水平设计 | 第30-37页 |
| 2.3.3 SC实验属性水平分配 | 第37-38页 |
| 2.3.4 基于D-efficient的SC实验优化设计 | 第38-40页 |
| 2.3.5 社会经济属性设计 | 第40-41页 |
| 2.3.6 问卷结构设计 | 第41-42页 |
| 2.3.7 调查实施及数据分析 | 第42-44页 |
| 2.4 本章小结 | 第44-46页 |
| 3 基于Mixed Logit的早高峰乘客出行时间选择特性分析 | 第46-56页 |
| 3.1 ML模型适用性分析 | 第46页 |
| 3.2 ML模型构建及参数标定 | 第46-52页 |
| 3.2.1 模型变量定义及编码 | 第46-49页 |
| 3.2.2 模型效用函数构建 | 第49-50页 |
| 3.2.3 模型求解 | 第50-52页 |
| 3.3 ML模型参数效用分析 | 第52-55页 |
| 3.3.1 出行相关属性参数效用分析 | 第52-53页 |
| 3.3.2 异质性参数效用分析 | 第53-55页 |
| 3.4 本章小结 | 第55-56页 |
| 4 基于贝叶斯网络的早高峰乘客出行时间选择行为预测 | 第56-70页 |
| 4.1 网络构建流程 | 第56-57页 |
| 4.2 贝叶斯网络学习 | 第57-63页 |
| 4.2.1 基于K2算法的网络结构学习 | 第57-60页 |
| 4.2.2 基于贝叶斯估计的网络参数学习 | 第60-63页 |
| 4.3 网络推理分析及有效性验证 | 第63-67页 |
| 4.4 模型预测精度对比 | 第67-68页 |
| 4.5 本章小结 | 第68-70页 |
| 5 早高峰客流出行需求控制与模型实例应用 | 第70-86页 |
| 5.1 早高峰客流出行需求控制及评估 | 第70-71页 |
| 5.2 八通线概况及早高峰客流分析 | 第71-72页 |
| 5.2.1 八通线概况 | 第71页 |
| 5.2.2 八通线早高峰客流分析 | 第71-72页 |
| 5.3 早高峰客流出行需求控制策略制定 | 第72-73页 |
| 5.4 早高峰客流出行需求控制策略评估 | 第73-85页 |
| 5.4.1 仿真流程 | 第73-75页 |
| 5.4.2 基础数据输入 | 第75-78页 |
| 5.4.3 基于仿真的列车区间满载率估算 | 第78-83页 |
| 5.4.4 早高峰客流出行需求控制效果评估 | 第83-85页 |
| 5.5 本章小结 | 第85-86页 |
| 6 结论及展望 | 第86-88页 |
| 6.1 主要研究工作 | 第86页 |
| 6.2 论文创新点 | 第86-87页 |
| 6.3 不足与展望 | 第87-88页 |
| 参考文献 | 第88-92页 |
| 附录 | 第92-96页 |
| 作者简历及攻读硕士学位期间取得的研究成果 | 第96-100页 |
| 学位论文数据集 | 第100页 |
