基于深度学习的地铁短时客流预测方法研究
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第13-19页 |
| 1.1 研究背景及意义 | 第13-14页 |
| 1.2 国内外研究现状 | 第14-16页 |
| 1.3 研究内容与创新点 | 第16-19页 |
| 1.3.1 研究目标 | 第16-17页 |
| 1.3.2 研究内容 | 第17页 |
| 1.3.3 创新点 | 第17-19页 |
| 第2章 城市轨道交通客流分析 | 第19-29页 |
| 2.1 客流概述 | 第19-20页 |
| 2.2 技术路线 | 第20-22页 |
| 2.3 客流的时空分析 | 第22-28页 |
| 2.3.1 数据清洗与预处理 | 第22-23页 |
| 2.3.2 地铁OD的计算 | 第23-25页 |
| 2.3.3 轨道交通客流的特征分析 | 第25-28页 |
| 2.4 本章小结 | 第28-29页 |
| 第3章 基于数据融合的清分算法与客流计算 | 第29-41页 |
| 3.1 线路客流清分算法 | 第29-33页 |
| 3.1.1 背景介绍 | 第29-30页 |
| 3.1.2 算法介绍 | 第30-32页 |
| 3.1.3 结果展示 | 第32-33页 |
| 3.2 站内区域客流估计 | 第33-40页 |
| 3.2.1 背景介绍 | 第33-34页 |
| 3.2.2 算法介绍 | 第34-38页 |
| 3.2.3 结果展示 | 第38-40页 |
| 3.3 本章小结 | 第40-41页 |
| 第4章 基于深度学习的短时客流预测模型 | 第41-65页 |
| 4.1 神经网络简介 | 第41页 |
| 4.2 循环神经网络结合长短时记忆网络 | 第41-63页 |
| 4.2.1 网络的介绍 | 第42-44页 |
| 4.2.2 样本分析 | 第44-49页 |
| 4.2.3 性能评价指标 | 第49-50页 |
| 4.2.4 参数的调节 | 第50-58页 |
| 4.2.5 结果展示 | 第58-63页 |
| 4.3 本章小结 | 第63-65页 |
| 第5章 各类算法的结果对比 | 第65-75页 |
| 5.1 滑动平均模型 | 第65-67页 |
| 5.2 SVR模型 | 第67-69页 |
| 5.3 PROPHET 模型 | 第69-71页 |
| 5.4 结果比较与分析 | 第71-74页 |
| 5.5 本章小结 | 第74-75页 |
| 第6章 总结与展望 | 第75-78页 |
| 6.1 本文工作总结 | 第75-76页 |
| 6.2 下一步研究方向 | 第76-78页 |
| 参考文献 | 第78-82页 |
| 致谢 | 第82-83页 |
| 作者简介 | 第83页 |
