RBF神经网络模型在上海地铁客流预测中的应用研究
| 摘要 | 第3-4页 |
| ABSTRACT | 第4-5页 |
| 第一章 绪论 | 第8-14页 |
| 1.1 课题背景 | 第8-10页 |
| 1.2 国内外研究现状 | 第10-13页 |
| 1.2.1 线性法 | 第10-11页 |
| 1.2.2 非线性法 | 第11-13页 |
| 1.3 研究内容及结构 | 第13-14页 |
| 第二章 客流时间序列特征分析 | 第14-25页 |
| 2.1 时间序列概述 | 第14-16页 |
| 2.1.1 影响时间序列的因素 | 第14-15页 |
| 2.1.2 时间序列预测的条件 | 第15页 |
| 2.1.3 时间序列研究方法 | 第15-16页 |
| 2.2 上海轨道客流总体分析 | 第16-20页 |
| 2.2.1 轨道交通建设情况 | 第16-17页 |
| 2.2.2 2016年路网规模及客流情况 | 第17-18页 |
| 2.2.3 换乘枢纽站情况 | 第18-19页 |
| 2.2.4 当前客流状况 | 第19页 |
| 2.2.5 当前客流特点 | 第19-20页 |
| 2.3 历史客流数据特征分析 | 第20-24页 |
| 2.3.1 客流类型分析 | 第20-21页 |
| 2.3.2 客流日变化趋势 | 第21页 |
| 2.3.3 客流周趋势 | 第21-22页 |
| 2.3.4 测试数据选型 | 第22-24页 |
| 2.4 本章小结 | 第24-25页 |
| 第三章 基于径向基神经网络的客流预测模型 | 第25-35页 |
| 3.1 径向基网络结构 | 第25-28页 |
| 3.1.1 神经元模型 | 第26-27页 |
| 3.1.2 径向基函数的选择 | 第27-28页 |
| 3.2 径向基网络学习过程 | 第28-33页 |
| 3.2.1 确定中心学习 | 第29-31页 |
| 3.2.2 确定扩展常数 | 第31页 |
| 3.2.3 隐藏层个数 | 第31页 |
| 3.2.4 学习权值 | 第31-32页 |
| 3.2.5 输入数据预处理 | 第32-33页 |
| 3.3 本章小结 | 第33-35页 |
| 第四章 案例分析 | 第35-48页 |
| 4.1 径向基模型设计 | 第35-38页 |
| 4.1.1 预测尺度 | 第35页 |
| 4.1.2 预测模型仿真设计 | 第35-37页 |
| 4.1.3 评价指标 | 第37-38页 |
| 4.2 预测模型的应用 | 第38-47页 |
| 4.2.1 实验环境 | 第38页 |
| 4.2.2 数据预处理 | 第38-40页 |
| 4.2.3 预测过程 | 第40-42页 |
| 4.2.4 参数优化 | 第42-43页 |
| 4.2.5 稳定性分析 | 第43-46页 |
| 4.2.6 普适性分析 | 第46-47页 |
| 4.3 本章小结 | 第47-48页 |
| 第五章 总结和展望 | 第48-49页 |
| 5.1 总结 | 第48页 |
| 5.2 展望 | 第48-49页 |
| 参考文献 | 第49-53页 |
| 附录 | 第53-57页 |
| 致谢 | 第57-58页 |
| 攻读硕士学位期间发表的学术论文 | 第58-60页 |
