基于大数据的公交调度规则研究
| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7页 |
| 目录 | 第8-10页 |
| 1 引言 | 第10-17页 |
| 1.1 研究背景 | 第10页 |
| 1.2 研究目的 | 第10-11页 |
| 1.3 国内外研究现状 | 第11-16页 |
| 1.3.1 静态调度 | 第11-14页 |
| 1.3.2 动态调度 | 第14-15页 |
| 1.3.3 模型求解方法 | 第15-16页 |
| 1.4 研究内容与技术路线 | 第16-17页 |
| 2 公交数据源分析与数据处理 | 第17-27页 |
| 2.1 公交数据源分析 | 第17-19页 |
| 2.2 公交大数据处理 | 第19-27页 |
| 2.2.1 数据预处理概述 | 第19-21页 |
| 2.2.2 公交IC卡数据处理 | 第21-24页 |
| 2.2.3 公交GPS数据处理 | 第24-27页 |
| 3 基于公交数据的挖掘与分析 | 第27-41页 |
| 3.1 数据挖掘 | 第27-29页 |
| 3.1.1 概述 | 第27-28页 |
| 3.1.2 数据挖掘常用算法 | 第28-29页 |
| 3.2 公交IC卡数据挖掘 | 第29-37页 |
| 3.2.1 客流时段划分 | 第29-31页 |
| 3.2.2 客流量统计分析 | 第31-33页 |
| 3.2.3 基于BP神经网络的客流预测 | 第33-37页 |
| 3.3 公交GPS数据挖掘 | 第37-41页 |
| 3.3.1 公交运行特性分析 | 第37-39页 |
| 3.3.2 基于BP神经网络的公交运行时间预测 | 第39-41页 |
| 4 基于公交数据的公交调度研究 | 第41-55页 |
| 4.1 公交车辆调度 | 第41页 |
| 4.2 基于IC卡客流数据的静态调度 | 第41-47页 |
| 4.2.1 静态调度问题分析 | 第41-43页 |
| 4.2.2 时刻表编制模型 | 第43-46页 |
| 4.2.3 模型求解 | 第46-47页 |
| 4.3 基于GPS数据的动态调度 | 第47-55页 |
| 4.3.1 动态调度问题分析 | 第47-48页 |
| 4.3.2 站点的动态调度 | 第48-50页 |
| 4.3.3 站点间的动态调度 | 第50-51页 |
| 4.3.4 针对异常事件的动态调度 | 第51-55页 |
| 5 实例分析 | 第55-72页 |
| 5.1 实例现状分析 | 第55-56页 |
| 5.2 时段划分 | 第56-58页 |
| 5.3 基于IC卡客流数据的静态调度 | 第58-65页 |
| 5.3.1 输入参数 | 第58-60页 |
| 5.3.2 算法实现 | 第60-63页 |
| 5.3.3 结果分析 | 第63-65页 |
| 5.4 基于GPS的动态调度 | 第65-72页 |
| 6 结论与展望 | 第72-73页 |
| 6.1 主要结论 | 第72页 |
| 6.2 研究展望 | 第72-73页 |
| 参考文献 | 第73-76页 |
| 附录A | 第76-82页 |
| 附录B | 第82-86页 |
| 作者简历及攻读硕士学位期间取得的研究成果 | 第86-88页 |
| 学位论文数据集 | 第88页 |
