一、GPS与AVL系统（论文文献综述）
程刚,张艳[1]（2021）在《基于刷卡数据的民族节日期间公交线网优化》文中研究说明为了缓解高原城市部分居民出行需求不能得到有效满足的问题,基于对公交车刷卡数据的挖掘,研究西藏民族宗教节日期间公交线网的优化问题.首先,基于公交IC卡和车载GPS数据,提出乘客上下车站点判断的方法;其次,根据计算的乘客上下车数据,构建站点之间的OD矩阵,判断现有线网与路网条件下公交系统客流发生与吸引量大的节点;然后,利用Dijkstra广义最短路算法,计算发生与吸引点之间的最优路径;以直达乘客量最大为优化目标构建0-1模型,对公交线网进行优化;最后选取民族宗教节日期间,公众出行较为集中的布达拉宫区域公交运营情况为研究对象,对该区域的公交线路始末站设置进行应用优化,缓解节日期间居民集中出行引发的出行难问题,特别是保障力求满足朝圣人群的出行需求,维持民族宗教节日期间正常的出行秩序.
李淑庆,刘耀鸿,邱豪基[2]（2021）在《基于IC卡与GPS数据的公交通勤出行特征分析》文中研究说明公交通勤人群是公交客流的重要组成部分,公交通勤出行特征是制定公交优先发展战略、公交规划、优化与运营管理的数据基础。针对传统以"车"为研究对象的碎片化公交通勤出行特征分析方法,基于公交IC卡与GPS数据,从公交乘客"人"角度出发,系统分析提出了公交出行链特征、区间客流不均衡系数、职住平衡水平及线路黏性系数4个维度指标参数计算方法。以重庆市主城区连续5个工作日47条代表性线路的公交乘客为例,对通勤出行特征进行分析,结果表明:重庆市主城区通勤客流换乘次数较少、长线公交客流需求较大、职住平衡水平较高、约1/4的通勤出行者对线路选择具有较强黏性。
王子熙[3]（2021）在《智能交通系统在公共交通的应用分析——以澳洲公交为例》文中认为通过对维多利亚州公共交通领域现有智能交通系统的应用调查,分析其应用特点。根据目前的ITS技术,介绍了自动车辆定位（AVL）和全球定位系统（GPS）在公共交通领域的应用及其工作原理。通过应用分析,表明利用这些技术不仅可以帮助乘客实时获取公交服务信息,提高用户体验,而且可以支持公交公司对公交服务进行监控和管理。
张文胜,卢梦,朱冀军,闫涛,段钊宁[4]（2021）在《基于公交IC卡和AVL数据的公交客流OD推算》文中认为针对国内城市公交乘客下车不用刷卡,无法获知下车站点的问题,利用公交IC刷卡数据、AVL数据和公交站点数据,提出公交站点吸引强度与公交出行链结合的公交客流OD推算方法。基于时间匹配方法融合IC刷卡数据和AVL数据,设立时间匹配弹性因子,提高乘客上车站点识别率;针对不同乘客公交出行行为,采用多时段公交站点吸引强度与公交出行链结合的方法,实现下车站点的推算,在集计层面基于最小二乘法判断模型有效性。以石家庄市公交客流为例进行验证,乘客上车站点匹配率提高了15.51百分点,乘客下车站点推算成功率稳定在90%,验证了所提方法的有效性。
V.V.MORALES,M.CLAIROTTE,J.PAVLOVIC,B.GIECHASKIEL,朱炳全[5]（2021）在《欧洲实施实际行驶排放法规的结果分析》文中研究表明空气污染对人类的健康产生了严重的危害。在欧洲,NO2和颗粒物（PM）排放量普遍都超出空气质量标准,尤其是在交通密集的城市地区。2017年,欧盟地区道路交通运输排放的氮氧化物（NOx）和PM在空气污染物中的占比分别达到了39%和11%。通过便携式排放测量系统（PEMS）获得的数据显示,大多数满足欧五和欧六b排放法规的柴油车在道路上的NOx排放量都超过了它们在试验室认证试验的允许限值。鉴于此,欧盟发布了欧盟实际行驶排放（EU-RDE）法规,宗旨在于确保轻型车在道路上正常行驶时产生更少的排放。对自2017年9月实施实际行驶排放（RDE）法规后,且已通过了型式认证的若干台欧六d-TEMP汽油机乘用车和柴油机乘用车的排放性能进行评估,分析了实施RDE法规的结果。欧盟内部的联合研究中心（JRC）用AVL-MOVE型PEMS对这些车辆进行了RDE达标试验和非RDE达标试验。分析了综合路段、城区路段、乡村路段和高速路段等全部试验路段的气态排放物（NO、NO2、NOx、CO、CO2）和颗粒数（PN）排放情况,重点试验了冷起动排放。阐述了排放量与车辆行驶动力学之间的相互关系。试验结果表明,为了在RDE法规的宽广行驶条件下满足排放限值的要求,车辆制造商们必须采用更高效的排气后处理系统,即必须采用选择性催化还原（SCR）系统和颗粒过滤器来控制NOx和PM的排放。可以预料,随着欧洲车队逐渐更换实施RDE法规,将有助于减少城市空气污染和空气质量超标的几率。
柏跃龙[6]（2020）在《基于稀疏AVL数据的公交到站时间预测方法研究》文中认为公交到站时间的可靠性是衡量公共交通系统服务水平的重要指标,提高公交到站时间的预测精度对于降低乘客候车时间、提高城市居民公交出行比例、缓解城市交通拥堵具有重要意义。然而公交轨迹数据的时空稀疏分布和公交站间运行速度复杂的时序变化规律,导致在实际的公交到站时间预测过程中出现了困难。为了解决上述问题,本文进行了以下几个方面的研究。首先,考虑到公交车辆自动定位（Automatic Vehicle Location,AVL）数据采样频率低,导致公交到达站点时间缺失,不能准确估计公交站间运行速度的问题,提出了一种基于低频AVL数据的公交站间运行速度估计方法。在对原始AVL数据经过地图匹配和异常数据清洗后,根据AVL数据记录的公交运行状态,分别对公交进站前处于3种不同运行状态（匀速、减速、靠站停车）下的公交到站时间进行了估计,并利用估计得到的到站时间完成对公交站间运行速度的估计。然后,考虑到公交站间运行速度样本数据的时空稀疏分布对公交到站时间预测的影响,提出了一种考虑公交运行速度时空变化特征的张量改进重构模型。构建了基于公交路段平均运行速度的三维样本数据张量,并通过在传统张量Tucker重构模型的基础上,添加表现公交运行速度时空变化特征的约束函数,使改进重构模型的估计结果更加符合公交运行速度的时空变化规律,降低了稀疏样本数据估计结果的误差。最后,在论证了经验模态分解（Empirical Mode Decomposition,EMD）能够对公交运行速度时序变化特征有效提取的基础上,提出了一种基于EMD-LSTM模型的公交到站时间预测方法。一方面针对预测模型对速度复杂时序变化规律感知不足的问题,通过EMD将混合在速度中的多种时序变化特征进行提取,使长短期记忆神经网络（Long-Short Term Memory,LSTM）模型能够充分地感知到公交运行速度中潜在的时序变化规律,提高了公交到站时间的预测精度;另一方面,考虑到公交车头时距较长条件下,实时路段运行速度的缺失,导致公交到站时间更新不及时的问题,通过对多个时段公交路段运行速度的预测,缓解了公交到站时间预测结果时效性下降的问题。
杜孟秋[7]（2020）在《基于共线线路AVL数据的公交车到站时间预测方法研究》文中研究说明现阶段随着城市居民生活水平的提高,出行者对于公共交通服务水平有了更高的要求。公交车到站时间作为出行者最为关心的信息之一,直接影响着公交出行的吸引力。而对于公交管理者来说,实时准确的公交到站时间信息有助于减少车辆的在站延误、优化调度排班计划表等。但由于公交车辆在运营过程中受到的干扰因素较多,已有的基于单条线路的公交到站时间预测方法难以取得理想的效果。此外,在拥有丰富的公交AVL离线数据基础上,在同一路段上运营的其他线路的信息却并未得到充分利用。针对以上不足,本文提出了一种基于共线线路运营数据的到站时间预测方法,并以成都市公交AVL数据为研究基础,采用数据分析方法结合实例研究,验证该预测方法的有效性。本文具体工作如下:首先,本文从预测模型和预测对象两个方面对国内外已有的到站时间预测研究进行分析和对比,指出本研究需要解决的关键问题。针对原始数据中存在的数据质量问题,提出面向公交到站时间预测的AVL数据预处理方法。其次,论文建立了基于共线线路融合数据的公交车到站时间预测模型。模型考虑了共线线路的前车行程时间和车头时距,并选用支持向量机和前馈神经网络算法进行预测。本文选取成都市人民南路和蜀都大道的部分路段作为研究对象,对预测模型进行实例验证。研究结果表明,基于共线线路融合数据的模型预测结果均优于基于单线路运营数据的预测模型。此外,本文还对支持向量机和前馈神经网络算法的预测效果进行评价和比较,综合模型预测精度和实用性来看,支持向量机模型的预测性能优于前馈神经网络模型。最后,分别讨论了通道行程时间波动性、通道长度、共线线路数对模型预测效果的影响。研究结果表明,通道行程时间的波动性与预测结果之间存在较强的相关关系;随着通道长度的增加,预测精度呈现出上升的趋势;而关于共线线路数对预测效果的影响,目前研究还未得出一致的结论,有待后续进一步探索。
雷思雨[8]（2020）在《基于AVL与IC卡数据的公交运行可靠性评价体系及其在HN市的应用研究》文中研究说明公共交通的优先发展与不断完善是解决道路交通拥堵、环境质量下降等问题的重要途径。而对于公交车辆运行状况的评价研究可以为公交系统的有效运营提供更具体的参考和建议,从而提升公交系统的吸引力与分担率。本文针对现阶段下我国中小城市公交系统的运营发展模式,在现有较分散的公交运行可靠性评价指标研究基础上,从评价对象（行程时间、车头时距）和评价角度（准点性、稳定性）两个维度出发,选取末站准点率PIT指标、行程时间波动度FIT指标、到站准点率PIH指标、车头时距波动度Cov指标和串车率F指标,同时考虑高频线路与低频线路的运行差异,针对两种类型线路分别构建基于公交智能数据的公交运行可靠性评价指标体系。随后,基于AHP-熵权法对所选的线路层次指标进行综合处理,针对高频线路与低频线路分别建立公交线路运行可靠性综合评价体系。最后,基于HN市公交车辆自动定位（Automatic Vehicle Location）数据（简称AVL数据）与IC卡存档数据,对本文所构建的公交运行可靠性评价体系进行了实际应用和验证,对HN市客流量居高的21条主要线路进行了较为系统的评价与分析。评价结果显示平峰时段的公交运行准点性和稳定性均高于高峰时段,同时高峰时段出现串车现象的频率也明显高于其他时段,表明本文所构建的评价指标体系可以对公交运行可靠性的时段分布特征进行有效识别;其次,通过对HN市21条主要公交线路的实例评价,表明其公交运行可靠性在站点间和线路间均存在较为明显的差异,公交运行可靠性有待进行更具针对性的改善与提升。研究表明,本文所选取的站点层次和线路层次评价指标对公交运行状况在不同时段间的差异具有较高的敏感度,并且可以直观地反映公交运行可靠性在站点间和线路间的差异及分布规律。同时,针对低频线路和高频线路的不同指标体系,更加符合公交运营机构和出行者对不同属性线路在管理和需求上的差异。综合评价指标体系采取AHP主观赋权法和客观熵权法相结合的方法也可同时实现基于不同评价侧重点的灵活应用功能以及对实际数据的敏感度,使该评价体系更加准确且易于应用。
段钊宁[9]（2019）在《基于公交大数据的客流OD推算及可视化方法研究》文中提出公交客流OD（origin-destination,起止站点）数据作为城市公共交通特征研究的基础数据,在公交客流分析、预测和公交路网规划与优化等工作中扮演了重要的角色。近年来,随着我国智慧城市体系的逐步完善,城市公共交通系统的核心业务不断得以拓展,以大数据技术为支撑的公交大数据挖掘方法与可视化技术研究逐步成为智慧交通领域中的研究热点。公交大数据作为城市公共交通系统的产物,是城市空间大数据的核心组成部分,为公交客流OD特征挖掘方法的研究提供了数据支撑。公交大数据继承了大数据的“大量”、“高速”、“多样”、“低价值密度”、“真实性”等特征,在公交大数据中存在数据噪声大、数据冗余等问题。同时,由于城市公共交通采用上车一票制的计费方式,公交客流OD数据难以从多种数据采集机制所产生的公交大数据中直接提取。论文研究了公交大数据的存储与预处理方法,提出了基于公交大数据的公交客流OD数据挖掘算法,获取了公交客流时空分布数据,构建了基于公交客流数据的城市空间大数据可视化系统。具体研究内容如下:（1）以石家庄市AVL（Automatic Vehicle Location,车辆自动定位）数据、公交IC刷卡数据和公交站点GPS数据等为主要研究对象,研究了公交大数据的分布式存储方法,通过分析公交大数据数据结构,提取了公交数据中的关键字段和多源公交数据间的时空映射关系,实现了公交大数据清洗、集成、变换及归约等预处理过程。（2）利用时间匹配方法,通过设立时间弹性因子,实现了IC刷卡数据和AVL数据的融合,推算得到了乘客上车站点;基于乘客公交出行行为特征,利用乘客上车站点数据提取乘客出行下游站点集合与高频站点集合,基于泊松分布理论,分别研究了在出行线路、出行时间相异的条件下乘客出行站点数即参数λ的不同表现,结果表明参数λ受到了出行线路、出行时间的综合作用,因此提出了多时段公交站点吸引强度与公交出行链法结合的方法,实现了下车站点的推算,并提出了集计层面的模型检验方法,以石家庄市公交数据为例进行了实例验证。（3）研究了城市空间矢量数据在线爬取方法,设计了基于3DGIS（3D Geographic Information System,三维地理信息系统）平台的城市路网与建筑物轮廓的在线爬取方法,通过三维模型快速构建技术,实现了3D城市景象可视化;基于公交客流OD数据,提取客流时空分布特征,以时间、位置为关键因素,研究了公交站点及线路客流量可视化方法、动态客流分布可视化方法与公交运营指标可视化。论文以石家庄市公交大数据为基础数据,对本文的研究成果进行了有效性和适用性的验证,同时获取到了石家庄市公交客流时空分布特征数据,基于3DGIS平台实现了石家庄市3D城市景象、公交客流特征可视化。
李杨[10]（2019）在《基于智能公交数据的超长公交线路特征分析及优化判别方法研究》文中研究表明随着城市发展规模不断扩大,辐射能力增强,城市公共交通线路越来越长,尤其是从城市中心延伸到周边地区的常规公交线路,这类线路通常存在一些运营问题,在当前大数据快速应用发展的环境下,主要以车辆自动定位系统（AVL）和自动计费系统（AFC）为代表的智能公共交通系统应运而生,其为公共交通研究提供了可靠的数据支持。本文主要利用智能公交历史数据,对数据进行融合挖掘分析,从乘客需求特征、运营特征等方面对比超长线与常规线的差异,并基于其特点构建一套针对超长线路的优化判别方法。首先,本文简要介绍了智能公交系统里面存储的IC卡数据和AVL数据的数据表结构,在已有文献研究和前人实践的基础上,简要说明了公交线路乘客出行OD的推算规则,然后介绍了本文研究所需要的公交线路图的提取,重点描述了提取乘客需求特征所需数据的步骤。其次,本文界定了超长线的研究范围,分析了超长线与常规线在线路基本特征上的差异。再次,论文深入挖掘数据,从宏微观方面对比分析了两者在乘客需求特征与运营特征方面的差异,选取客流断面不均衡系数、平均乘距、平均利用系数、行程时间可靠性、车头时距稳定性等指标定量分析,展示了线路长度在公交运营里体现出的差别。最后,为了解决超长线路突显出来的运营问题,本文基于平均里程利用系数和客流量对超长线进行聚类分析,构建了一套针对不同类型超长线路的优化判别方法,描述了每种优化方法的可操作性,并进行了案例研究,检验了优化方法的有效性。本文的研究成果有助于进一步理解超长公交线路在城市里存在的价值和相应的运营问题,可为运营管理者提供实际决策指导。
二、GPS与AVL系统（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、GPS与AVL系统（论文提纲范文）
（1）基于刷卡数据的民族节日期间公交线网优化（论文提纲范文）
| 1 公交刷卡数据挖掘 |
| 1.1 乘客上车站点的识别 |
| 1.2 下车站点判断 |
| 2 基于刷卡数据的公交网络优化方法 |
| 2.1 线路起终点选择 |
| 2.2 最佳路径选择 |
| 2.3 换乘比例最小的线路方案 |
| 3 布达拉宫—大昭寺区域公交网络优化 |
| 3.1 线路的起终点选择 |
| 3.2 最佳线路选择 |
| 4 总结 |
（2）基于IC卡与GPS数据的公交通勤出行特征分析（论文提纲范文）
| 0 引言 |
| 1 公交IC卡与GPS数据预处理 |
| 2 公交通勤出行链构建 |
| 3 公交通勤特征提取分析 |
| 3.1 公交出行链特征 |
| 3.1.1 公交出行链阶段数 |
| 3.1.2 公交出行链个数 |
| 3.1.3 公交出行链换乘次数 |
| 3.2 区间客流不均衡系数 |
| 3.3 职住平衡水平 |
| 3.3.1 区域通勤规模 |
| 3.3.2 区域独立系数 |
| 3.4 线路黏性系数 |
| 4 实例应用分析 |
| 4.1 出行链特征 |
| 4.2 区间客流不均衡系数 |
| 4.3 职住平衡水平 |
| 4.4 线路黏性系数 |
| 5 结论 |
（3）智能交通系统在公共交通的应用分析——以澳洲公交为例（论文提纲范文）
| 1 主要智能交通系统的简介 |
| 1.1?自动车辆定位(AVL) |
| 1.2?测距与GPS |
| 2 智能交通系统在澳洲公共交通上的应用 |
| 3 工作原理 |
| 3.1?公交车和信息板 |
| 3.2?公交车和移动设备 |
| 3.3?车载模块 |
| 4 优势与劣势分析 |
| 5 结论 |
（4）基于公交IC卡和AVL数据的公交客流OD推算（论文提纲范文）
| 0 引 言 |
| 1 上车站点识别 |
| 2 下车站点推算 |
| 2.1 乘客公交出行分析 |
| 2.2 下车站点推算模型 |
| 2.3 模型有效性检验方法 |
| 3 城市公交客流OD识别的验证与应用 |
| 3.1 乘客上车站点识别 |
| 3.2 下车站点推断 |
| 4 结 语 |
（5）欧洲实施实际行驶排放法规的结果分析（论文提纲范文）
| 0前言 |
| 1 试验方案 |
| 2 试验结果 |
| 2.1 车辆在综合路段、城区路段、乡村路段、高速路段的排放 |
| 2.1.1 NOx排放 |
| 2.1.2 PN排放 |
| 2.1.3 CO排放 |
| 2.1.4 CO2排放 |
| 2.2 冷起动排放 |
| 2.3 与DPF再生相关的排放 |
| 3 结论 |
（6）基于稀疏AVL数据的公交到站时间预测方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 主要符号说明 |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.2 研究目的与意义 |
| 1.3 国内外研究现状 |
| 1.3.1 公交到站时间预测方法研究现状 |
| 1.3.2 稀疏样本数据处理方法研究现状 |
| 1.4 研究内容与创新点 |
| 1.4.1 主要研究内容 |
| 1.4.2 技术路线 |
| 1.4.3 论文创新点 |
| 第二章 基于低频公交AVL数据的公交路段运行速度估计 |
| 2.1 引言 |
| 2.2 公交AVL数据预处理 |
| 2.2.1 公交线网地理信息采集与构建 |
| 2.2.2 公交AVL数据的地图匹配方法 |
| 2.2.3 异常轨迹点清洗 |
| 2.3 公交站间路段平均运行速度估计 |
| 2.3.1 公交进站过程分析 |
| 2.3.2 公交到站时间估计方法 |
| 2.3.3 路段平均运行速度计算 |
| 2.4 实例验证 |
| 2.4.1 实验数据 |
| 2.4.2 实验结果分析 |
| 2.5 本章小结 |
| 第三章 基于稀疏AVL数据的公交时空运行速度估计方法 |
| 3.1 引言 |
| 3.1.1 公交样本数据的时空建模 |
| 3.1.2 张量的分解与重构 |
| 3.2 问题的提出 |
| 3.3 考虑公交运行速度时空变化特征的改进重构模型 |
| 3.3.1 公交路段速度变化特征提取 |
| 3.3.2 公交多天速度变化特征提取 |
| 3.3.3 考虑公交速度时空变化特征的约束函数构建 |
| 3.4 实例验证 |
| 3.4.1 实验数据 |
| 3.4.2 样本时段长度划分 |
| 3.4.3 样本数据时空相关性分析 |
| 3.4.4 模型估计结果误差评价 |
| 3.4.5 实验设计与模型参数设置 |
| 3.4.6 稀疏数据填补结果分析 |
| 3.5 本章小结 |
| 第四章 公交运行速度时序变化特征的提取与分析 |
| 4.1 引言 |
| 4.2 问题的提出 |
| 4.3 公交运行速度时序变化特征的提取与分析方法 |
| 4.3.1 基于EMD的公交运行速度时序特征提取方法 |
| 4.3.2 特征分量的时频分析方法 |
| 4.4 实例分析 |
| 4.5 本章小结 |
| 第五章 基于EMD-LSTM模型的公交到站时间预测 |
| 5.1 引言 |
| 5.2 基于EMD-LSTM的公交到站时间预测模型 |
| 5.2.1 基于经验模态分解(EMD)的公交路段运行速度时序特征提取 |
| 5.2.2 LSTM神经网络模型 |
| 5.2.3 基于EMD-LSTM模型的公交路段运行速度预测 |
| 5.2.4 LSTM神经网络模型参数训练 |
| 5.2.5 基于多时段速度预测的公交到站时间预测方法 |
| 5.3 实验设计 |
| 5.3.1 数据描述 |
| 5.3.2 预测结果误差评价方法 |
| 5.3.3 模型参数的设置 |
| 5.3.4 参照模型选择 |
| 5.4 实验结果分析 |
| 5.4.1 公交路段平均运行速度预测结果分析 |
| 5.4.2 公交到站时间预测结果分析 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 6.1 论文主要工作 |
| 6.2 研究展望 |
| 参考文献 |
| 个人简历在读期间发表的学术论文 |
| 致谢 |
（7）基于共线线路AVL数据的公交车到站时间预测方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 选题背景 |
| 1.2 研究意义 |
| 1.3 国内外研究现状 |
| 1.3.1 公交到站时间预测应用现状 |
| 1.3.2 基于预测模型的分析 |
| 1.3.3 基于预测对象的分析 |
| 1.4 研究目标、方法与技术路线 |
| 1.4.1 研究目标 |
| 1.4.2 研究方法与技术路线 |
| 1.5 论文主要内容和结构安排 |
| 第2章 公交AVL数据预处理及分析 |
| 2.1 智能公交系统简介 |
| 2.2 AVL数据处理 |
| 2.2.1 数据结构 |
| 2.2.2 AVL和 GIS数据关联 |
| 2.2.3 AVL数据质量问题 |
| 2.2.4 AVL数据预处理 |
| 2.3 多线路运营数据处理案例分析 |
| 2.3.1 数据预处理过程 |
| 2.3.2 通道行程时间特征分析 |
| 2.4 本章小结 |
| 第3章 基于共线线路的公交到站时间预测模型 |
| 3.1 预测模型框架 |
| 3.2 输入变量处理 |
| 3.2.1 模型假设及参数设置 |
| 3.2.2 车头时距变量 |
| 3.2.3 行程时间变量 |
| 3.3 机器学习算法简介 |
| 3.3.1 支持向量机 |
| 3.3.2 神经网络 |
| 3.4 本章小结 |
| 第4章 公交到站时间预测模型实例研究 |
| 4.1 实例通道说明及数据分析 |
| 4.1.1 实例通道说明 |
| 4.1.2 实例数据分析 |
| 4.2 评价指标选取 |
| 4.3 预测结果分析 |
| 4.3.1 支持向量机模型预测结果分析 |
| 4.3.2 神经网络模型预测结果分析 |
| 4.3.3 不同模型预测结果对比 |
| 4.4 本章小结 |
| 第5章 基于共线线路的公交到站时间预测模型适应性分析 |
| 5.1 行程时间波动性分析 |
| 5.2 预测精度分析 |
| 5.2.1 路段长度 |
| 5.2.2 共线线路数 |
| 5.3 本章小结 |
| 结论与展望 |
| 致谢 |
| 参考文献 |
| 附录一 |
| 附录二 |
| 攻读硕士学位期间发表的论文及科研成果 |
（8）基于AVL与IC卡数据的公交运行可靠性评价体系及其在HN市的应用研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.2 国内外研究现状 |
| 1.2.1 公共交通可靠性定义研究 |
| 1.2.2 公共交通可靠性评价研究 |
| 1.2.3 公交运行可靠性综合评价研究 |
| 1.2.4 研究成果评价 |
| 1.3 研究目的及意义 |
| 1.3.1 研究目的 |
| 1.3.2 研究意义 |
| 1.4 研究内容 |
| 1.5 研究方法及思路 |
| 1.5.1 研究方法 |
| 1.5.2 研究思路与技术路线 |
| 第二章 公交运行可靠性评价理论基础 |
| 2.1 公交运行可靠性的定义 |
| 2.2 公交运行可靠性的影响因素 |
| 2.2.1 固定因素 |
| 2.2.2 变化因素 |
| 2.2.3 突变因素 |
| 2.3 公交运行可靠性评价指标 |
| 2.3.1 准点类指标 |
| 2.3.2 时间类指标 |
| 2.4 本章小结 |
| 第三章 公交运行可靠性评价体系 |
| 3.1 公交运行可靠性评价方法及指标选取 |
| 3.1.1 基于行程时间的公交运行可靠性评价 |
| 3.1.2 基于车头时距的公交运行可靠性评价 |
| 3.2 评价指标体系及参数设置 |
| 3.2.1 指标体系 |
| 3.2.2 参数设置 |
| 3.3 基于AHP-熵权法的公交线路运行可靠性综合评价 |
| 3.3.1 综合评价方法选取 |
| 3.3.2 公交线路运行可靠性综合评价体系构建 |
| 3.4 本章小结 |
| 第四章 HN市公交运营基础数据分析及预处理 |
| 4.1 HN市公交运营概况 |
| 4.2 HN市公交基础运营数据结构分析 |
| 4.2.1 AVL数据结构及其输出原理介绍 |
| 4.2.2 IC卡数据结构 |
| 4.3 HN市公交AVL及 IC卡数据预处理 |
| 4.3.1 公交AVL数据预处理流程设计 |
| 4.3.2 公交IC卡数据预处理流程设计 |
| 4.3.3 公交AVL数据与IC卡数据匹配 |
| 4.4 HN市公交AVL数据特征及需求分析 |
| 4.4.1 线路行程时间特征分析 |
| 4.4.2 各班次到站时间特征分析 |
| 4.4.3 各站点车头时距特征分析 |
| 4.5 本章小结 |
| 第五章 HN市公交运行可靠性评价及改善建议 |
| 5.1 评价线路的选取 |
| 5.2 站点运行可靠性评价指标结果 |
| 5.2.1 高频线路评价指标结果 |
| 5.2.2 低频线路评价指标结果 |
| 5.2.3 站点运行偏差率分析 |
| 5.3 线路运行可靠性评价指标结果 |
| 5.3.1 高频线路评价指标结果 |
| 5.3.2 低频线路评价指标结果 |
| 5.4 基于AHP-熵权法的公交线路运行可靠性综合评价结果 |
| 5.4.1 高频线路运行可靠性综合评价 |
| 5.4.2 低频线路运行可靠性综合评价 |
| 5.5 HN市公交运行可靠性改善措施与建议 |
| 5.6 本章小结 |
| 结论与展望 |
| 参考文献 |
| 致谢 |
（9）基于公交大数据的客流OD推算及可视化方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 公交大数据研究现状 |
| 1.2.2 大数据可视化技术研究现状 |
| 1.3 研究内容 |
| 1.4 论文章节安排 |
| 1.5 本章小结 |
| 第二章 公交大数据技术概述及处理方法 |
| 2.1 大数据存储及预处理技术 |
| 2.1.1 大数据存储技术 |
| 2.1.2 大数据预处理方法 |
| 2.2 公交大数据客流OD推算方法 |
| 2.2.1 公交大数据定义与概述 |
| 2.2.2 公交客流OD推算方法 |
| 2.3 公交大数据可视化方法 |
| 2.4 本章小结 |
| 第三章 公交大数据存储及预处理 |
| 3.1 公交大数据存储 |
| 3.2 公交大数据结构分析 |
| 3.3 公交大数据预处理 |
| 3.3.1 数据清洗 |
| 3.3.2 数据集成 |
| 3.3.3 数据变换 |
| 3.3.4 数据归约 |
| 3.4 本章小结 |
| 第四章 公交客流OD推算 |
| 4.1 乘客出行分析 |
| 4.2 乘客上车站点推算 |
| 4.3 乘客下车站点推算 |
| 4.3.1 下车站点推算模型 |
| 4.3.2 泊松分布参数标定 |
| 4.3.3 模型有效性检验方法 |
| 4.4 城市公交客流OD识别的验证与应用 |
| 4.4.1 乘客上车站点识别 |
| 4.4.2 乘客下车站点推算 |
| 4.5 本章小结 |
| 第五章 空间大数据可视化方法研究 |
| 5.1 技术架构 |
| 5.1.1 总体设计 |
| 5.1.2 系统设计 |
| 5.2 3D城市景象可视化方法 |
| 5.2.1 三维空间场景 |
| 5.2.2 数据源选定 |
| 5.2.3 矢量数据爬取 |
| 5.2.4 3D城市景象可视化 |
| 5.3 公交客流量可视化 |
| 5.3.1 公交客流量统计 |
| 5.3.2 公交客流量可视化方法 |
| 5.4 公交客流轨迹可视化 |
| 5.5 公交运营可视化 |
| 5.6 本章小结 |
| 第六章 结论与展望 |
| 6.1 结论 |
| 6.2 存在的不足及展望 |
| 参考文献 |
| 致谢 |
| 个人简历、在学期间的研究成果及发表的学术论文 |
（10）基于智能公交数据的超长公交线路特征分析及优化判别方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景与研究意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 乘客出行特征 |
| 1.2.2 线路运营效果 |
| 1.2.3 优化方法 |
| 1.2.4 国内外研究现状综述 |
| 1.3 研究目标、方法和技术路线 |
| 1.3.1 研究目标 |
| 1.3.2 研究方法 |
| 1.3.3 技术路线 |
| 1.4 主要研究内容与结构安排 |
| 第2章 数据处理及分析 |
| 2.1 常规公交系统数据介绍 |
| 2.1.1 公交IC卡数据简介 |
| 2.1.2 公交AVL数据简介 |
| 2.2 线路出行OD推导过程 |
| 2.2.1 上车站点推算 |
| 2.2.2 下车站点推算 |
| 2.2.3 换乘站点推算 |
| 2.2.4 推算结果分析 |
| 2.3 公交线路图的提取 |
| 2.4 乘客需求特征数据提取 |
| 2.4.1 线路断面客流提取 |
| 2.4.2 出行时长与出行距离提取 |
| 2.5 本章小结 |
| 第3章 超长公交线路特点分析 |
| 3.1 超长公交线路的界定 |
| 3.2 超长公交线路基本指标分析 |
| 3.2.1 线路长度 |
| 3.2.2 平均站距 |
| 3.3 超长公交线路运营状况分析 |
| 3.3.1 运营时段 |
| 3.3.2 运营班次 |
| 3.3.3 营运速度 |
| 3.4 本章小结 |
| 第4章 超长公交乘客需求特征与运营特征分析 |
| 4.1 客流分析 |
| 4.1.1 方向、时间不均衡系数 |
| 4.1.2 断面不均衡系数 |
| 4.2 平均乘距 |
| 4.2.1 不同线路平均乘距 |
| 4.2.2 平均里程利用系数 |
| 4.3 出行时长 |
| 4.4 行程时间可靠性 |
| 4.4.1 指标选取 |
| 4.4.2 指标计算结果 |
| 4.5 车头时距稳定性 |
| 4.6 本章小结 |
| 第5章 超长公交线路分类优化的判别方法 |
| 5.1 超长公交线路分类 |
| 5.2 超长公交线路优化方法 |
| 5.2.1 判别规则 |
| 5.2.2 优化方法 |
| 5.2.3 优化效果 |
| 5.3 算例分析 |
| 5.4 本章小结 |
| 结论与展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士学位期间发表的论文及科研成果 |
| 附录1 |
| 附录2 |
| 附录3 |
四、GPS与AVL系统（论文参考文献）
- [1]基于刷卡数据的民族节日期间公交线网优化[J]. 程刚,张艳. 交通工程, 2021(06)
- [2]基于IC卡与GPS数据的公交通勤出行特征分析[J]. 李淑庆,刘耀鸿,邱豪基. 重庆交通大学学报(自然科学版), 2021(10)
- [3]智能交通系统在公共交通的应用分析——以澳洲公交为例[J]. 王子熙. 综合运输, 2021(09)
- [4]基于公交IC卡和AVL数据的公交客流OD推算[J]. 张文胜,卢梦,朱冀军,闫涛,段钊宁. 计算机应用与软件, 2021(07)
- [5]欧洲实施实际行驶排放法规的结果分析[J]. V.V.MORALES,M.CLAIROTTE,J.PAVLOVIC,B.GIECHASKIEL,朱炳全. 汽车与新动力, 2021(03)
- [6]基于稀疏AVL数据的公交到站时间预测方法研究[D]. 柏跃龙. 华东交通大学, 2020(06)
- [7]基于共线线路AVL数据的公交车到站时间预测方法研究[D]. 杜孟秋. 西南交通大学, 2020(07)
- [8]基于AVL与IC卡数据的公交运行可靠性评价体系及其在HN市的应用研究[D]. 雷思雨. 长安大学, 2020(06)
- [9]基于公交大数据的客流OD推算及可视化方法研究[D]. 段钊宁. 石家庄铁道大学, 2019(03)
- [10]基于智能公交数据的超长公交线路特征分析及优化判别方法研究[D]. 李杨. 西南交通大学, 2019(03)