一、基于灰色预测和神经网络的城市建设用地量预测（论文文献综述）
田莉莎[1]（2020）在《基于IABC-BP算法的合肥城市生活垃圾清运量预测模型研究》文中研究表明近年来,经济的发展带来生活水平的不断提高,消费结构不断升级,这就使得日常的生活垃圾日益增多,特别是一些超级城市,垃圾清运及填埋占地问题已成为污染城市卫生环境、影响市民生产生活的社会问题。在国家大力推行垃圾焚烧发电,按照垃圾清运量分类推进垃圾焚烧设备设施建设的大背景下,更要做好城市生活垃圾产生系统的研究和城市生活垃圾全过程管理,其管理不仅要及时高效,还要避免对生活环境的二次污染。对其定量基数,即城市生活垃圾清运量,要进行更为准确的预测,以便为垃圾总量的减控和城市环境卫生设施的规划布局提供参考。现有预测方法多采用增长率预测法和线性回归预测法,其模型多为静态,往往难以得到高精度的预测结果。本文引入了人工神经网络算法,BP神经网络算法拥有不错的非线性拟合能力,在处理非线性问题中得到了广泛的应用,能够有效解决各种问题。但神经网络在初始赋值时,其权重和阈值是系统随机赋予的,存在不确定性因素。所以本文利用人工蜂群算法,先对BP算法的权重和阈值进行优化,再进行模型构建。人工蜂群算法对蜂群的分工觅食行为进行了模拟,属于群智能算法。该算法通过对各种选择值进行优劣比较及个体的局部寻优,找出群体最优解。但人工蜂群算法在计算时有可能陷入局部最优,针对这一不足之处,本文提出了改进蜂群算法,结合BP算法形成改进人工蜂群算法优化的BP模型算法。在数据的获取和处理上,本文首先对影响城市生活垃圾清运量的因素进行了分类和具体分析,选择容易量化的因素作为因变量,对其进行灰色关联度分析,找出重要关联要素。将筛选出的要素代入到基于MATLAB软件的改进人工蜂群算法优化的BP算法模型。以合肥市为例,预测了2019年到2022年四年间的城市生活垃圾清运量,分别为168.50（万吨）、169.30（万吨）、170.25（万吨）、171.53（万吨）。通过对比发现,使用优化后模型进行拟合和预测的结果具有更高的精度和更小的误差。
于庆博[2]（2020）在《崇明东滩多期吹填区地面沉降与土体固结特征分析》文中提出随着经济社会的发展和人口压力的与日俱增,用疏浚废土进行填海造陆已经成为上海这一港口城市缓解土地资源紧张,拓展生存空间和减少海洋环境污染的有效措施。上海先后在崇明东滩、浦东边滩以及横沙东滩等海岸带进行了多次吹填造陆活动,获得了大量土地资源。在合理规划与综合利用的前提下,这些吹填新陆地将为上海经济社会的可持续发展,城镇化和工业化的推进注入新的动力。然而,水力吹填形成的吹填土层在沉积过程中不仅自身会产生较大的变形量,还会进一步压缩下伏海陆交互相软土层,进而引起新一轮的固结变形。多层土压缩变形的累积即表现为地面沉降,这是一种在吹填区不可回避的环境地质现象,严重时可引发一系列严重的工程地质问题,不仅威胁地基的安全使用,破坏建（构）筑物（尤其是线性工程）的结构稳定性和长期使用的安全性,还会破坏人类的生存环境,削弱沿海地区抵御洪水、风暴、海平面上升等海洋灾害的能力。因此,有必要分析、研究、监测和预测吹填区的地面沉降特性,进而了解长时间尺度条件下地面沉降的演变与发展,同时从多层土工程地质性质的角度对地面沉降的分布做出机理上的解释。最终,为地面沉降的防治与工程建设的规划提供合理的参考依据。本文选择城镇化推进较快的崇明东滩为研究区域,该区域是上海典型的多期吹填区。但是这里的地面沉降的研究正处于起步阶段,前期工程地质资料与原位监测资料和主城区相比远远不足,对当前区域性地面沉降的分布与固结机理鲜有认知,难以有效规避地面沉降带来的环境危害与隐患。为丰富崇明东滩地面沉降的相关研究,本文开展了以下几方面的工作:（1）场地调查。在研究区布设10个沿东西长轴方向、跨越多期吹填区的勘探取样孔,取样孔深统一限定在55m,以查明崇明东滩自西向东扩张过程中典型剖面的地层结构;（2）室内试验。探究研究范围内吹填土层与天然沉积土层在不同尺度下的工程地质性质差异,阐明当前应力条件下的主要压缩层。利用计算机断层扫描（CT）、压汞（MIP）和扫描电镜（SEM）等先进手段探究各土层的细微观结构与孔隙特征;（3）地面沉降监测与分析。搜集2015年初到2019年末近5年时间内共70景Sentinel-1A雷达影像数据,选用短基线集合成孔径雷达干涉测量（SBAS-In SAR）来获取区域性的地面变形信息并统计自西向东多期吹填区的地面沉降规律并选取感兴趣区域来估算多层土的平均固结度;（4）通过综合分析多期吹填区内土体地层结构、物理与成分特征、化学与压缩特性以及渗透与微细观结构特征的变化,揭示差异性沉降的形成机制;（5）利用BP神经网络探究代表性工程地质参数与区域性地面沉降速率的内在联系。研究结果表明:（1）吹填土具结构性引起的超固结性质,反而是下伏的黏土与粉质黏土层为欠固结土层,对地面沉降贡献较大。研究深度内广泛分布的土层主要有由吹填土、砂质粉土组成的粉性土和由淤泥质黏性土、黏土以及粉质黏土组成的黏性土。崇明东滩的吹填土已自重固结20余年,期间受到地表蒸发与人类活动的影响,土层有一定收缩,结构性增强,致使吹填土表现为反常的超固结,砂质粉土同理,淤泥质黏性土则接近正常固结,以上三层土在当前应力条件下对地面沉降贡献较小;相反,黏土与粉质黏土均为欠固结,且黏土层是代表性压缩层。（2）In SAR监测表明,长轴方向上,成陆时间短的吹填区,沉降速率反而慢。近海晚期吹填区成陆时间较晚,理应沉降较快,然而,本文通过在SBASIn SAR遥感监测得到的地面变形速率场中统计各吹填区平均变形速率却发现了相反规律;在此基础上,联合应用双曲线法和三点修正指数曲线法估算了选定的近海和内陆土层的平均固结度范围。结果表明,当前应力状态下,近海吹填区土层固结已基本完成而内陆吹填区土层固结速度相对较快。基于In SAR的固结度估算可促进对区域地面沉降的发展的理解,对缺乏原位监测信息条件下的固结度评价有较好的适用性和较强的时效性。（3）近海晚期吹填区渗透固结条件差是引起地面沉降缓慢的内在控制因素。通过对多期吹填区固结特征进行对比来探究引起差异性地面沉降的机制。结果表明,代表性压缩层（黏土层）,随着成陆时间的缩短,土层厚度加大,黏粒含量升高,压缩性变大,结合水膜变厚,细观非均质性增强,微观孔隙复杂度升高,黏粒团聚性由强至弱,黏粒常分散在孔隙之中,形成絮凝状结构,造成排水通道淤堵,渗透系数降低,因而固结效率低,最终导致地面沉降速率缓慢。（4）基于BP神经网络建立了地面沉降速率与土体多尺度工程地质参数之间的关系模型。以取自黏土层的16组黏土试样为研究对象,选取10个代表性的工程地质参数,包括黏土层厚度、黏粒含量、渗透系数、阳离子交换量、含水率以及回弹指数;微观孔隙形态分形维数、结构单元体的平均等效孔径、定向频率的标准差以及平均形状系数等160组参数作为自变量,选取In SAR得到的各吹填区沉降速率作为因变量来构建模型。结果表明,当选用宏微观多尺度参数共同参与分析时,土体工程地质参数对地面沉降速率的预测精度更高,关联更加密切。在未来的研究中,仍需要更丰富的室内试验,更长时间、更高精度的沉降监测来拓展本文初步的研究成果。
胡赛[3]（2020）在《基于土地利用变化的生态系统服务价值及生态补偿标准研究》文中研究指明土地利用变化对生态系统的结构和功能产生显着影响,随着人类活动不断增强,生态问题频发,经济发展与生态环境保护之间的不平衡性逐渐突显。在此背景下,本文以安徽省为研究对象,首先,系统分析了1995-2018年的土地利用动态变化特征及主要驱动因素;其次,利用修正的评估模型估算并分析了生态系统服务价值的时空分异特征;然后,对生态约束下的未来土地利用布局进行了模拟;最后,通过构建生态系统服务多元价值理论体系,测算了研究区16市生态补偿的优先级和补偿标准。通过研究,取得以下主要研究成果与结论:（1）基于遥感影像分析了土地利用时空变化特征及主要驱动力。遥感影像解译总体精度都在85%以上,Kappa系数都大于0.8;水田和旱地是最主要的土地利用类型,占研究区总面积的比重都在25%以上;土地利用程度综合指数持续增长;水田和旱地向建设用地转化是最主要的地类转化类型;经济、科技及人口是主导驱动因素;水田、旱地和建设用地对主成分得分的影响都在0.05的显着性水平,且得分与耕地呈负相关关系,而与建设用地呈正相关关系。（2）基于空间异质性视角修正了生态系统服务价值评估模型,并估算了安徽省1995-2018年的生态系统服务价值。安徽省23年来的生态系统服务总价值减少了225.41×107元,变化率为-0.75%;其中水域的生态系统服务价值最大,约占研究区总价值的40%;生态系统服务价值的高值区出现在中南部,并集中分布在湖泊及河流沿线,而低值区主要分布在淮河以北,且集聚特征都较为显着。（3）基于土地利用变化模拟估算了安徽省未来时期的生态系统服务价值。灰色预测模型对土地需求量的预测精度相对较高;基于Geo SOS-FLUS模型的土地利用空间布局模拟的总体精度为91.75%,Kappa系数为0.8935。以生态系统服务价值确定了生态约束条件,构建了土地利用变化的生态优化情景,模拟得到2025年和2030年的土地利用空间布局,在此基础上估算了安徽省2025年和2030年的生态系统服务价值,结果显示未来时期的生态系统服务价值呈增长趋势。（4）构建了生态系统服务多元价值理论体系,确定了安徽省生态补偿范围,测算了生态补偿优先级和生态补偿标准。西南部及南部城市的生态环境与经济发展协调性相对较高,中部的合肥以及淮河流域以北的城市协调性相对较低;生态补偿优先级最高的是黄山和池州,最低的是淮北;生态补偿标准最高值出现在安庆,从2000年的313634.15×105元减少到2030年的35174.16×105元,最低值出现在淮北,从2000年的1672.14×105元减少到2030年的110.48×105元。该论文有图40幅,表70个,参考文献309篇。
梁强升[4]（2020）在《城市轨道交通大型活动客流预测方法研究》文中进行了进一步梳理目前,我国城市轨道交通已经步入快速发展期,各大城市线网规模快速扩张,轨道交通逐渐成为城市公共交通系统的骨干,其高效运转成为推动城市发展的重要动力。近年来,各类大规模文体赛事、庆典活动愈发频繁,极大程度地影响了城市轨道交通的正常运转,往往造成短时客流骤增,加剧了线网运营的不均衡性以及潜在的运营风险。为应对大型活动对线网客流造成的冲击,需准确预测大型活动场景下的客运需求,以便妥善组织运力调整,避免活动散场带来的局部拥堵现象。此外,封站管控越来越多的被应用于大型活动下的客流组织工作中,有必要针对封站干预条件下的客流规律展开深入研究。本文在考虑城市轨道交通线网时空关联特性的基础上,结合线网客流特征规律,分别提出适用于常态条件、大型活动以及封站干预条件的客流预测方法,以全方位支撑大型活动相关的客流预测工作开展。主要研究内容如下:首先,依托海量的历史客流数据,对比分析常态条件、大型活动以及封站干预条件下的线网客流规律,明确影响不同场景下客流演化的关键因素,为充分发现客流预测工作需求,设计科学、有效的客流预测方法提供参考。其次,针对常态下短时客流预测问题,提出一种融合循环门控单元和图卷积神经网络的GCGRU模型,利用图卷积网络GCN（Graph Convolution Network）提取不同车站客流空间关联性,结合循环门控单元GRU（Gated Recurrent Unit）刻画车站客流的时变特征,相较ARIMA（Autoregressive Integrated Moving Average）、SVR（Support Vector Regression）、BPNN（Backward Propogation Neural Network）等模型,预测精度显着提升。然后,基于常态下的背景客流特征,进一步研究大型活动下的客流预测问题。构建基于客流成分划分的灰色预测模型,通过分析活动进站量与OD分布量的历史规律,预测大型活动影响下的客流分布,基于广交会的案例结果表明,该模型具有较高的准确性与良好的适应性,可满足对运输组织与客运服务的决策需要。最后,引入大型活动下的封站管控场景,提出基于SAX（Symbolic Aggregate Approximation）和DFM（Dynamic Factor Model）的组合预测模型,通过SAX算法辨识封站管控的潜在影响范围,利用DFM分解客流的一般特征与波动特征,基于国庆70周年庆典活动的封站案例研究表明,该方法能够有效辨识受影响车站,相较于ARIMA模型,均方根误差下降26.1%,平均绝对误差下降20.78%。图51幅,表10个,参考文献74篇。
董琦[5]（2020）在《基于需求量预测的生鲜电商企业中心仓与前置仓选址研究》文中认为近年来,随着电子商务和冷链物流的高速发展,人们越来越热衷于通过互联网购买生鲜食品,2019年我国生鲜电商市场交易规模已达3225亿元。生鲜电商企业在迎来黄金发展期的同时,也面临着巨大的成本压力,生鲜食品货损率高、冷链物流体系成本高导致生鲜电商企业难以盈利。为此,生鲜电商企业积极探索新的冷链物流模式,其中“中心仓+前置仓”的冷链物流体系能够有效解决企业成本和生鲜品质难以兼顾的问题,有助于企业实现降本增效。论文在生鲜电商企业物流需求量预测的基础上,研究了其在城市中心仓和前置仓的选址问题,主要工作总结如下:（1）论文从生鲜电商企业的物流模式出发,重点分析了“中心仓+前置仓”模式的特点和配送流程,总结物流需求量预测和选址研究的意义,在此基础上结合国内外相关理论研究,形成全文的研究思路。（2）根据生鲜电商企业物流需求量的影响因素,构建物流需求量预测指标体系,并利用灰色GM（1,1）模型和BP神经网络模型,对生鲜电商企业的物流需求量进行预测。（3）以企业物流需求量预测为基础,论文利用层次分析法并结合自然环境、基础设施、成本和经营环境因素建立评价层次,运用模糊综合评价法确定中心仓的最佳选址位置。（4）根据食品腐败速率的不同,分品类计算生鲜食品的三级货损成本,考虑时间窗和前置仓处理能力等约束条件,构建以总成本最低为目标的前置仓选址模型,并设计遗传算法求解。（5）以M生鲜电商公司为例,在物流需求量预测的基础上,确定了M生鲜电商公司在北京市的中心仓和前置仓选址方案,证明了模型和算法的有效性。
高梦琦[6]（2020）在《基于机器学习的城市轨道交通客流需求预测》文中研究指明城市轨道交通凭借其安全性、可靠性、运量大等优势成为了城市公共交通的重要组成部分。近年轨道交通的建设也随城市扩张而加快,线网规模不断扩大,形成网络化运营。客流是城市轨道交通建设与运营的基础,而城市轨道交通客流需求预测有助于管理者提前预知客流分布及其动态演变规律,适时调整客运服务计划,使轨道交通更加安全高效地运营。因此,城市轨道交通客流需求预测对其系统的科学高效运营管理具有重大意义。本文基于AFC刷卡数据,通过对城市轨道交通的宏观客流特性与乘客个体出行特征进行深入分析,为出发地-目的地（OD）预测模型建立奠定基础。然后对宏观的进站量、OD量和微观的个体出行OD（乘客目的地）三个部分做预测,可以获得客流量在轨道交通网络中的分布以及精细化的乘客OD出行信息,实时准确地把握客流量变化。本文主要研究工作分为以下3个部分:（1）建立了多特征Wavelet-LSTM的车站进站量预测模型。首先应用灰色关联度分析和格兰杰因果关系检验选取相关车站,然后针对时间序列数据的波动性应用小波变换进行分解,得到稳定的子序列,最后将每一个子序列输入可学习序列时间规律的长短时记忆网络（LSTM）进行进站量预测。将本方法应用到天通苑站的车站进站量预测研究中,Wavelet-LSTM模型的结果平均绝对百分误差为7.441%,优于ARIMA模型、仅输入单特征和不做小波变换的LSTM模型。（2）在进站量预测基础上,提出了Kalman-Wavelet-LSTM的宏观OD量预测模型。由于AFC系统一般上传15分钟粒度的实时进出站量数据,无法提前获知客流的目的地信息,难以获得当前时段的OD数据。本文提出求解客流状态空间的卡尔曼滤波预测方法,通过加入Wavelet-LSTM修正过程以处理客流序列的波动性并学习时间上的规律。将该方法应用于天通苑与西二旗两站间两个方向15min和30min的OD量预测中,其预测精度相比于传统卡尔曼滤波算法有了较好的提升。（3）针对海量的乘客出行明细信息,选取随机森林（RF）和Light GBM进行Stacking组合,构建乘客目的地集成预测模型（RF-Light GBM）,实现微观层面精细化的个体OD预测。RF算法可以有效降低方差,改进的梯度提升树Light GBM算法具有降低偏差的优势,因此使得提出的RF-Light GBM集成模型可根据大量乘客的特征信息进行目的地分类,且内部算法高效,适用于大数据分析。通过不断学习参数,使模型的预测准确率达86.682%。
占佳声[7]（2020）在《基于网格化的负荷预测方法研究及应用》文中认为负荷预测是配电网规划的前提和基础,准确的预测结果对配电网的建设有着非常重要的指导意义。在以往的负荷预测工作中,通常是通过分析规划区域整体的历史负荷数据来把握区域负荷的发展规律和增长趋势,再通过使用适应性较高的单一负荷预测方法得到整个区域未来的负荷值,并没有充分地考虑到区域内各个子区域的特异性。本文针对这个问题构建了一种基于网格化的负荷预测体系,以网格划分的结果为基础,充分考虑预测区域内各个网格的数据特点和现状负荷发展水平,并以此为依据选择适用于不同网格的预测模型。综合考虑各个网格的历史负荷数据特点以及现状负荷发展水平,结合负荷预测年限的差异,本文构建了用于进行成熟网格和发展中网格的近期和中期负荷预测的基于网格化的负荷总量预测体系和用于进行区域内所有网格的饱和年负荷预测的基于网格化的空间负荷预测体系,最后结合上述的两个体系,构建出完整的基于网格化的负荷预测体系。本文主要的改进之处在于:第一,在基于网格化的负荷总量预测体系中,除了根据不同类型网格的历史数据验证单一模型的预测精度,以此为基础筛选适应性高的模型外,还引入了组合预测的方法对基于网格化的负荷总量预测体系进行优化;第二,在基于网格化的空间负荷预测体系中,依据每个功能区的饱和年负荷预测结果,使用K均值聚类算法对功能区进行聚类以此划分单元的过程中,对传统K均值聚类算法的初始聚类中心选取不稳定和以距离为唯一聚类条件这两个缺陷进行了改进,再用改进后的K均值聚类算法对功能区聚类,分析比较基于密度和基于最大负荷点选取初始聚类中心的两种改进方法得到的单元划分结果,最后采用了一种将最大负荷点作为初始聚类中心,在聚类条件中加入负荷因素的聚类模式,得到了负荷分布较为均衡的单元划分结果,以此指导后期的规划工作。
赵天瑞[8]（2020）在《无废城市典型场景下的生活垃圾动态模型构建及运输模式优化》文中研究说明中国作为当前固废产生总量最高的国家,为保证国家垃圾处理需求规划的实现与人居生活环境质量的整体提升,我国陆续推出了“无废城市”建设计划,通过“11+5”建设试点方案,以固废源头减量、资源利用、减少填埋量,最大减少固废清运过程的环境影响作为项目推进目的导向,形成以点带面的推进示范作用,配合垃圾分类的实践。其中,全局的生活垃圾精细化管理管控,在无废城市战略布局中占据着举足轻重的地位。本论文研究区域作为县级市试点特区,有着城镇化发展迅速、生活垃圾产生分散且量大等典型场景特点,并且尚未建立垃圾分类机制,对于我国城镇化发展进程产生的固废环境问题存在代表性科研价值。本研究基于无废城市建设中管理模式需求,结合大数据驱动,建立无废城市建设场景源头减量环节中的源头产量预测、垃圾空间分布、运输路径优化等关键节点的精准治理技术支撑。研究以宏观基础社会数据为基础,对研究区域及周边11个规模相近的县级市进行多源异构大数据采集,并对数据进行异常值检测、空缺值填补等数据价值提升预处理,建立了包含30种特征的生活垃圾关联数据指标体系;利用灰色关联分析法,对特征因素的关联度排序,进行数据降维,明确了与生活垃圾产量相关的10个高价值特征;基于随机森林算法,利用高价值特征数据,构建符合研究区域社会未来发展规律的多元回归预测模型,获得了研究区域生活垃圾年产量将继续高速上升的结论,五年内的年产量将从12.19万吨上涨至14.69万吨,预计产量增幅为20%,为当地的源头产量探明与资源配置决策提供数据支撑。使用Arc GIS10.8软件,利用背景降噪处理后的夜间灯光遥感数据集,与当地生活垃圾总产量建立了高度的线性关联关系,依此获得2012-2019年间研究区域的生活垃圾空间产生变化特点;结合泰森多边形算法对2448平方公里的研究区域进行基于生活垃圾转运点的服务区划分,得到2020年内当地319个垃圾转运点的服务范围与日均垃圾负荷量;利用转运点要素数据与路网矢量数据,建立基于GIS的多路径配给问题分析数据集,生成包含30台车辆,带有时间限制窗,并覆盖当地全域生活垃圾的运输方案,并结合当地垃圾分布情况与乡村和城镇之间的地域差异性,进行了运输模式时间成本与经济效益的优化。综合无废城市建设以及生活垃圾分类后可能产生的管理技术难点,提出服务于垃圾分类场景的生活垃圾时空动态预测模型与多路径运输优化模型的构建方案,引入地理加权回归方法,提出不同种类垃圾的时空分布特征模型与运输方式的运算方案。并设计包含多源异构大数据管理、源头产量预测、空间分布分析、运输时间-经济成本优化的功能耦合软件平台,服务于无废城市建设过程中的源头减量与资源化利用建设。
向怡帆[9]（2020）在《基于汽车保有量和路网容量的城市停车供给预测模型研究》文中提出随着城市化进程不断加快,城市机动车数量快速增长,导致了严峻的城市停车问题。停车问题不仅会阻碍城市交通健康发展,也会影响居民出行的便捷程度。因此配置合理的停车供给数量,是解决城市停车问题的关键环节之一。本文基于城市汽车保有量与路网容量,建立城市停车供给预测模型,研究在合理满足城市汽车保有量的基本停车需求的同时,也能满足居民日常交通出行路网所产生的弹性停车需求,该研究具有重要的理论与现实意义。首先,对城市停车供给与需求相关基本理论进行分析,将城市停车供给分两大类,即基本停车供给与弹性停车供给;从五大方面对城市停车供给影响因素进行了分析,对现有的停车需求预测模型的原理与优缺点进行了总结。其次,建立了基于汽车保有量的城市基本停车供给预测模型;对城市汽车保有量影响因素进行了分析,利用灰色关联分析法计算出各影响因素与城市汽车保有量之间的关联度,根据影响因素的选取原则,选出符合条件的影响因素;对现有预测模型进行总结,采用支持向量机模型预测汽车保有量,考虑到传统的网格遍历法在确定SVM算法c,g参数时的局限性,引入改进灰狼算法对c,g参数进行寻优,利用IGWO-SVM算法对未来年机动车保有量进行预测,即得到了基于机动车保有量的基本停车供给预测结果。然后,建立了基于路网容量的城市弹性停车供给预测模型;利用时空消耗法对路网容量计算模型进行构建,分别从道路设施有效利用面积、路网有效运营时间、交通个体时空消耗三方面对模型修正系数进行确定,并建立了基于二次指数平滑法与灰色预测法的城市道路面积组合预测模型,将预测面积带入城市路网容量计算模型中,得到了路网容量预测模型;将路网预测容量作为约束条件,结合居民不同出行目的、研究区域交通组成、居民出行方式差异性,建立了城市停车供需关系模型,从而确定路网容量约束下的未来年城市弹性停车供给数量。最后,以德阳市旌阳区为例对模型进行实际运用与验证。选用SVM、PSO-SVM、GA-SVM、GWO-SVM、IGWO-SVM、非线性回归、BP神经网络算法分别对测试样本数据进行预测,得到IGWO-SVM算法预测精度最佳,并利用该算法预测出2020年德阳市旌阳区汽车保有量,即基本停车供给数量;利用时空消耗法与组合预测模型预测出旌阳区路网容量,并以该容量约束下的停车供需关系模型预测出2020年德阳市旌阳区弹性停车供给数量,最终得到停车供给预测总量,验证了本文构建的停车供给预测模型的科学性和合理性。本文基于城市汽车保有量与路网容量,建立了城市停车供给预测模型,从一定角度解决了城市基本停车供给问题与弹性停车供给问题,满足由汽车保有量和社会出行活动而产生的停车需求,为停车设施建设规划与停车政策制定提供了一定的依据。
袁月[10]（2020）在《铁路客运枢纽旅客离站换乘量预测研究》文中提出铁路客运枢纽是一种具有对外和对内交通功能的综合换乘枢纽。它作为城市综合交通系统内的关键组成,也是连结市内外交通和市内公共交通间中转换乘的关键环节。近几年,随着高铁客流量持续增长,尤其在列车到达的高峰时期,客流量剧增,需要枢纽铁路客运站能够迅速疏散站内的大量旅客。因此,有必要研究提高站内旅客的疏散效率的方法和措施,即如何将旅客快速移动至各换乘交通方式中,缩短旅客的站内滞留时间,提高铁路客运枢纽的旅客换乘速度。于是提出通过预测铁路客运枢纽离站旅客换乘至各交通方式的客流量,统筹协调各方式的运行方案,科学、完善地建立城市客运枢纽内部组织运营方案,合理规划枢纽内换乘设施布局,加快客流疏散效率。本文以铁路客运枢纽离站换乘旅客为研究对象,在分析枢纽特性、客运站与城市交通换乘衔接的基础上,基于计划行为理论研究旅客换乘行为,分析旅客选择行为的影响因素。之后通过对短期客流预测方法的比较,选用GRU神经网络客流预测法对铁路枢纽站到达客流量进行预测。利用层次分析法求解换乘环境的满意度,将其同旅客个人特性、出行特性、换乘方式特性共同作为特性变量,建立旅客换乘方式选择的层次分析法与反映旅客随机喜好性的混合Logit组合模型,对效用函数进行了改进,优化了传统模型中影响因素特性变量和换乘分担率求解方法。最后,运用GRU神经网络预测出成都东站到达客流量;基于RP调查法将一日分为两个时间段,分别预测成都东站离站旅客换乘分担率,最终得到铁路与各交通方式间的换乘量,验证了预测方法和模型的有效性和可靠性。通过与2020年和2030年的换乘量预测对比分析,对换乘客流疏散控制和组织方式提出建议。
二、基于灰色预测和神经网络的城市建设用地量预测（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、基于灰色预测和神经网络的城市建设用地量预测（论文提纲范文）
（1）基于IABC-BP算法的合肥城市生活垃圾清运量预测模型研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 第一节 课题研究背景 |
| 第二节 课题的理论意义与实践意义 |
| 一、理论意义 |
| 二、实践意义 |
| 第三节 国内外研究现状 |
| 一、传统预测模型 |
| 二、现代预测模型 |
| 第四节 本文研究内容与技术路线 |
| 一、本文研究内容 |
| 二、技术路线 |
| 第二章 合肥市城市生活垃圾产生现状及影响因素分析 |
| 第一节 合肥市生活垃圾产生量概况 |
| 第二节 合肥市城市生活垃圾清运量影响因素 |
| 第三节 合肥市生活垃圾清运量影响因素灰色关联度分析 |
| 第三章 基于改进人工蜂群算法的BP神经网络的优化 |
| 第一节 BP神经网络 |
| 一、BP神经网络的基本原理 |
| 二、BP神经网络的结构以及算法过程 |
| 三、BP神经网络的缺点 |
| 第二节 人工蜂群算法 |
| 一、人工蜂群算法的生物背景 |
| 二、人工蜂群算法原理 |
| 三、人工蜂群算法的主要步骤 |
| 四、人工蜂群算法的改进与测试对比 |
| 第三节 改进人工蜂群算法对BP神经网络的优化 |
| 第四节 本章小结 |
| 第四章 合肥市生活垃圾清运量预测模型构建 |
| 第一节 BP神经网络基本模型的建立 |
| 一、神经网络输入与输出的确立 |
| 二、隐层的确立 |
| 三、传递函数和训练函数的选取 |
| 第二节 IABC-BP模型的构建 |
| 第三节 IABC-BP模型与BP模型的对比分析 |
| 第四节 本章小结 |
| 第五章 研究结论与展望 |
| 第一节 研究的结论 |
| 第二节 未来展望 |
| 参考文献 |
| 致谢 |
（2）崇明东滩多期吹填区地面沉降与土体固结特征分析（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 选题依据与研究意义 |
| 1.2 研究历史与现状 |
| 1.2.1 吹填土的区域性研究 |
| 1.2.2 地面沉降的发展与应对 |
| 1.2.3 土体沉降计算理论 |
| 1.2.4 InSAR技术及其在上海的应用 |
| 1.3 研究内容与创新点 |
| 第2章 研究区工程地质调查 |
| 2.1 上海的扩张及崇明岛形成背景 |
| 2.2 区域概况 |
| 2.2.1 地形地貌 |
| 2.2.2 地层岩性与构造 |
| 2.2.3 气候水文 |
| 2.3 场地调查 |
| 2.3.1 崇明东滩简介 |
| 2.3.2 取样与地层结构 |
| 本章小结 |
| 第3章 土层工程地质特征 |
| 3.1 基本物理性质 |
| 3.2 基本水理性质 |
| 3.3 粒度成分 |
| 3.4 矿物组成 |
| 3.5 化学性质 |
| 3.5.1 易溶盐与酸碱度 |
| 3.5.2 有机质 |
| 3.5.3 阳离子交换量 |
| 3.6 土层的压缩特性 |
| 3.7 土层的渗透特性 |
| 3.7.1 试验仪器与参数设置 |
| 3.7.2 渗透系数获取 |
| 本章小结 |
| 第4章 微细观结构特征 |
| 4.1 土的微观结构 |
| 4.2 冻干法制备微观结构试样 |
| 4.3 基于MIP试验的微观孔隙特征 |
| 4.3.1 压汞实验原理 |
| 4.3.2 微观孔隙分布 |
| 4.3.3 基于分形理论的孔隙复杂程度分析 |
| 4.4 基于SEM的微观结构单元体特征 |
| 4.4.1 微观结构定性分析 |
| 4.4.2 结构单元体等效直径与形态特征 |
| 4.4.3 结构单元体排列特征分析 |
| 4.5 基于CT扫描的细观结构特征 |
| 4.5.1 CT扫描成像原理 |
| 4.5.2 扫描参数设置与ROI确定 |
| 4.5.3 CT值统计与参数计算 |
| 4.5.4 基于CT值的土非均质性评价 |
| 本章小结 |
| 第5章 基于SBAS-In SAR的地面变形监测 |
| 5.1 SBAS-In SAR算法原理 |
| 5.2 地面变形速率场的获取 |
| 5.2.1 数据源 |
| 5.2.2 流程与参数设置 |
| 5.2.3 地面变形场与分区 |
| 5.3 基于灰色系统理论的结果验证 |
| 5.4 多期吹填区地面沉降特征 |
| 5.5 差异性沉降成因探讨 |
| 本章小结 |
| 第6章 多期吹填区土体固结特征分析 |
| 6.1 多层土的平均固结度估算 |
| 6.1.1 双曲线和三点修正指数曲线法联合预测 |
| 6.1.2 模型预测与结果分析 |
| 6.2 多期吹填区土体工程特性差异 |
| 6.2.1 多期吹填区地层结构变化 |
| 6.2.2 多期吹填区土体物理与成分特征 |
| 6.2.3 多期吹填区土体压缩与化学特性 |
| 6.3 多期吹填区土体渗透特征与细微观机理 |
| 6.4 基于BP神经网络的多尺度参数与地面沉降速率关系模型 |
| 6.4.1 BP神经网络学习过程与基本理论 |
| 6.4.2 模型构建流程 |
| 6.4.3 参数选取与模型实现 |
| 本章小结 |
| 第7章 结论与展望 |
| 7.1 结论 |
| 7.2 展望 |
| 参考文献 |
| 作者简介及在学期间所取得的科研成果 |
| 致谢 |
（3）基于土地利用变化的生态系统服务价值及生态补偿标准研究（论文提纲范文）
| 致谢 |
| 摘要 |
| abstract |
| 变量注释表 |
| 1 绪论 |
| 1.1 研究背景 |
| 1.2 研究意义 |
| 1.3 国内外研究现状分析 |
| 1.4 研究方案 |
| 1.5 本章小结 |
| 2 研究区概况与数据 |
| 2.1 研究区概况 |
| 2.2 研究数据来源 |
| 2.3 遥感数据处理 |
| 2.4 本章小结 |
| 3 土地利用时空演变特征 |
| 3.1 土地利用面积结构 |
| 3.2 土地利用动态度 |
| 3.3 土地利用程度 |
| 3.4 土地利用变化图谱 |
| 3.5 本章小结 |
| 4 土地利用变化的驱动力 |
| 4.1 驱动因子分类 |
| 4.2 驱动因子指标体系构建 |
| 4.3 主成分分析过程 |
| 4.4 多元线性回归分析 |
| 4.5 驱动因素分析 |
| 4.6 本章小结 |
| 5 生态系统服务价值时空分异特征 |
| 5.1 生态系统服务价值评估模型修正 |
| 5.2 生态系统服务价值估算及分析 |
| 5.3 探索性空间数据分析 |
| 5.4 本章小结 |
| 6 生态约束下的生态系统服务价值模拟估算 |
| 6.1 土地利用需求预测 |
| 6.2 土地利用布局模拟 |
| 6.3 未来生态系统服务价值估算 |
| 6.4 本章小结 |
| 7 基于多元价值理论的生态补偿标准测算 |
| 7.1 生态与经济发展协调性分析 |
| 7.2 生态补偿多元价值理论体系构建 |
| 7.3 生态补偿标准测算 |
| 7.4 本章小结 |
| 8 结论与展望 |
| 8.1 主要结论 |
| 8.2 创新点 |
| 8.3 研究展望 |
| 参考文献 |
| 作者简历 |
| 学位论文数据集 |
（4）城市轨道交通大型活动客流预测方法研究（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 研究背景与意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 研究目标与内容 |
| 1.2.1 研究目标 |
| 1.2.2 研究内容 |
| 1.3 技术路线 |
| 2 国内外研究综述 |
| 2.1 常态下短时客流预测方法研究 |
| 2.1.1 基于数理统计的回归预测模型 |
| 2.1.3 基于机器学习的人工智能预测模型 |
| 2.2 大型活动下的客流预测方法研究 |
| 2.2.1 重大文体活动对出行需求的影响分析 |
| 2.2.2 大型活动下的客流预测方法 |
| 2.3 突发事件下的客流预测方法研究 |
| 2.3.1 无干预条件下的客流预测方法 |
| 2.3.3 封站干预条件下的客流预测方法 |
| 2.4 本章小结 |
| 3 城市轨道交通线网客流特征分析 |
| 3.1 常态下短时客流特征及影响因素 |
| 3.1.1 城市轨道交通常态客流定义 |
| 3.1.2 常态下短时客流特征分析 |
| 3.1.3 常态下短时客流影响因素 |
| 3.2 大型活动下短时客流特征及影响因素 |
| 3.2.1 大型活动下短时客流影响因素 |
| 3.2.2 大型活动下短时客流特征分析 |
| 3.3 封站管控下短时客流特征及影响因素 |
| 3.3.1 封站管控下短时客流影响因素 |
| 3.3.2 封站管控下短时客流特征分析 |
| 3.4 本章小结 |
| 4 常态下短时客流预测方法的研究 |
| 4.1 常态下短时客流预测问题描述 |
| 4.2 考虑时空关联的短时客流预测模型 |
| 4.3 案例验证 |
| 4.3.1 数据描述 |
| 4.3.2 评价指标 |
| 4.3.3 模型参数调优 |
| 4.3.4 模型评价 |
| 4.4 本章小结 |
| 5 大型活动下客流预测方法研究 |
| 5.1 问题分析 |
| 5.2 基于灰色理论的客流预测模型 |
| 5.3 活动客流预测 |
| 5.3.1 活动客流进出站量预测 |
| 5.3.2 活动客流OD分布预测 |
| 5.4 背景客流预测 |
| 5.4.1 背景客流进出站量预测 |
| 5.4.2 背景客流OD分布预测 |
| 5.5 案例分析 |
| 5.6 本章小结 |
| 6 封站管控下客流预测方法研究 |
| 6.1 封站管控下客流预测分析 |
| 6.2 基于SAX的客流特征及封站影响范围分析 |
| 6.2.1 基于PAA的客流序列数据处理 |
| 6.2.2 客流特征模式及封站影响范围分析 |
| 6.3 基于DFM的客流量预测方法 |
| 6.3.1 DFM模型建立 |
| 6.3.2 极大似然估计 |
| 6.3.3 客流预测 |
| 6.4 案例分析 |
| 6.4.1 数据描述 |
| 6.4.2 基于SAX的客流特征实例分析 |
| 6.4.3 基于DFM的客流量预测及精度分析 |
| 6.5 本章小结 |
| 7 结论与展望 |
| 7.1 主要工作及研究结论 |
| 7.2 创新点 |
| 7.3 研究展望 |
| 参考文献 |
| 作者简历及攻读硕士学位期间取得的研究成果 |
| 学位论文数据集 |
（5）基于需求量预测的生鲜电商企业中心仓与前置仓选址研究（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 1 引言 |
| 1.1 选题背景与意义 |
| 1.1.1 选题背景 |
| 1.1.2 研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 物流需求量预测研究现状 |
| 1.2.2 物流配送中心选址研究现状 |
| 1.3 研究内容 |
| 1.4 技术路线 |
| 2 生鲜食品冷链物流相关理论研究 |
| 2.1 生鲜冷链物流概述 |
| 2.1.1 生鲜冷链物流概念 |
| 2.1.2 生鲜冷链物流特点 |
| 2.2 生鲜电商企业概述 |
| 2.2.1 生鲜电商企业发展历程 |
| 2.2.2 生鲜电商企业运营模式概述 |
| 2.2.3 生鲜电商企业物流模式概述 |
| 2.3 物流需求量预测相关理论概述 |
| 2.3.1 定性预测法 |
| 2.3.2 定量预测法 |
| 2.4 物流中心选址相关理论概述 |
| 2.4.1 连续型模型选址法 |
| 2.4.2 离散型模型选址法 |
| 2.4.3 综合因素分析法 |
| 2.5 本章小结 |
| 3 生鲜电商企业物流需求量预测模型研究 |
| 3.1 问题分析 |
| 3.2 生鲜电商企业物流需求量预测指标体系 |
| 3.2.1 指标选取原则 |
| 3.2.2 预测指标选取 |
| 3.2.3 指标关联度分析 |
| 3.3 灰色神经网络预测模型 |
| 3.3.1 灰色GM(1,1)模型 |
| 3.3.2 BP神经网络模型 |
| 3.4 本章小结 |
| 4 “中心仓+前置仓”选址优化模型及算法研究 |
| 4.1 问题分析 |
| 4.2 中心仓选址优化模型研究 |
| 4.2.1 AHP法确定指标权重 |
| 4.2.2 模糊评价模型确定中心仓选址 |
| 4.3 前置仓选址优化模型研究 |
| 4.3.1 基本假设 |
| 4.3.2 参数说明 |
| 4.3.3 成本分析 |
| 4.3.4 模型建立 |
| 4.4 前置仓模型求解方法 |
| 4.4.1 求解思路 |
| 4.4.2 算法设计 |
| 4.5 本章小结 |
| 5 算例分析 |
| 5.1 算例背景 |
| 5.2 M生鲜电商公司物流需求量预测 |
| 5.2.1 M公司上海市运营数据分析 |
| 5.2.2 M公司北京市相关指标数据分析 |
| 5.2.3 BP神经网络预测 |
| 5.3 M生鲜电商公司中心仓选址研究 |
| 5.3.1 背景及参数介绍 |
| 5.3.2 层次分析法确定指标权重 |
| 5.3.3 模糊综合评价法求解中心仓选址 |
| 5.4 M生鲜电商公司前置仓选址研究 |
| 5.4.1 前置仓备选方案确定 |
| 5.4.2 参数分析 |
| 5.4.3 算法求解 |
| 5.5 本章小结 |
| 6 结论与展望 |
| 6.1 研究总结 |
| 6.2 研究展望 |
| 参考文献 |
| 附录 A 水果物流需求量预测代码 |
| 附录 B 生鲜电商企业中心仓选址调查问卷及备选点专家打分表 |
| 附录 C 前置仓选址遗传算法主程序 |
| 作者简历及攻读硕士学位期间取得的研究成果 |
| 学位论文数据集 |
（6）基于机器学习的城市轨道交通客流需求预测（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 1 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 客流短时预测研究现状 |
| 1.2.2 OD动态预测研究现状 |
| 1.2.3 出行目的地预测研究现状 |
| 1.2.4 国内外研究现状总结 |
| 1.3 研究内容与论文结构 |
| 2 城市轨道交通乘客出行特征分析 |
| 2.1 数据来源和预处理 |
| 2.2 宏观客流量特征分析 |
| 2.2.1 基于客流特征的城市轨道交通车站聚类 |
| 2.2.2 考虑车站类型的客流时空特性分析 |
| 2.3 微观乘客个体出行特征分析 |
| 2.3.1 乘客出行时间分布特征 |
| 2.3.2 乘客出行距离分布特征 |
| 2.4 本章小结 |
| 3 基于多特征WAVELET-LSTM的进站客流量短时预测 |
| 3.1 模型概述 |
| 3.2 多特征WAVELET-LSTM预测模型构建 |
| 3.2.1 相关车站选取 |
| 3.2.2 进站客流序列的小波变换 |
| 3.2.3 长短时记忆网络 |
| 3.3 实例分析 |
| 3.3.1 数据基础 |
| 3.3.2 预测结果分析 |
| 3.4 本章小结 |
| 4 基于KALMAN-WAVELET-LSTM的宏观OD分布预测模型 |
| 4.1 模型概述 |
| 4.2 KALMAN-WAVELET-LSTM预测模型构建 |
| 4.2.1 客流状态空间模型构建 |
| 4.2.2 Kalman-Wavelet-LSTM预测算法 |
| 4.3 实例分析 |
| 4.3.1 数据基础 |
| 4.3.2 预测结果分析 |
| 4.4 本章小结 |
| 5 基于RF-LIGHTGBM的乘客出行目的地预测 |
| 5.1 基于机器学习单模型的乘客出行目的地预测 |
| 5.1.1 基于决策树的乘客出行目的地预测 |
| 5.1.2 基于随机森林的乘客出行目的地预测 |
| 5.1.3 基于梯度提升树的乘客出行目的地预测 |
| 5.1.4 基于Light GBM的乘客出行目的地预测 |
| 5.2 基于RF-LIGHTGBM组合模型的乘客出行目的地预测 |
| 5.3 实例分析 |
| 5.3.1 数据基础 |
| 5.3.2 预测结果分析 |
| 5.4 本章小结 |
| 6 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 作者简历及攻读硕士学位期间取得的研究成果 |
| 学位论文数据集 |
（7）基于网格化的负荷预测方法研究及应用（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 课题研究的背景和意义 |
| 1.2 负荷预测研究综述 |
| 1.2.1 负荷总量预测方法研究综述 |
| 1.2.2 空间负荷预测方法研究综述 |
| 1.3 配电网网格化研究综述 |
| 1.4 聚类分析研究综述 |
| 1.5 论文的主要工作 |
| 第2章 基于网格化的负荷预测概述 |
| 2.1 网格划分概述 |
| 2.1.1 网格划分的原则 |
| 2.1.2 网格划分的评价体系 |
| 2.2 基于网格化的负荷预测概述 |
| 2.2.1 负荷预测的原理 |
| 2.2.2 基于网格化的负荷预测的步骤 |
| 2.3 本章小结 |
| 第3章 基于网格化的负荷总量预测体系 |
| 3.1 基于网格化的负荷总量预测思路 |
| 3.2 网格划分与有关数据 |
| 3.3 常用的负荷预测模型概述 |
| 3.3.1 一元线性回归法 |
| 3.3.2 多项式预测法 |
| 3.3.3 指数平滑法 |
| 3.3.4 灰色理论法 |
| 3.3.5 模糊预测法 |
| 3.3.6 神经网络预测法 |
| 3.4 不同网格的模型选择 |
| 3.4.1 成熟网格的模型选取 |
| 3.4.2 发展中网格的模型选取 |
| 3.4.3 不确定网格的模型选取 |
| 3.4.4 单一负荷预测模型选取小结 |
| 3.5 组合预测概述 |
| 3.5.1 组合预测法的基本原理 |
| 3.5.2 基于等权平均的组合预测法 |
| 3.5.3 基于方差-协方差的组合预测法 |
| 3.5.4 算例分析 |
| 3.6 预测结果校验 |
| 3.7 本章小结 |
| 第4章 基于网格化的空间负荷预测体系 |
| 4.1 基于网格化的空间负荷预测思路 |
| 4.2 负荷密度指标法基本步骤 |
| 4.3 功能小区的划分 |
| 4.3.1 用地性质分类 |
| 4.3.2 功能小区的划分方法 |
| 4.4 负荷密度指标的选取 |
| 4.4.1 负荷密度指标选取方法 |
| 4.4.2 负荷密度指标选取及预测结果 |
| 4.5 单元划分 |
| 4.5.1 基于传统K均值算法的单元划分 |
| 4.5.2 传统K均值算法的改进 |
| 4.6 本章小节 |
| 第5章 基于网格化的负荷预测体系 |
| 5.1 成熟网格的负荷预测 |
| 5.2 不确定网格的负荷预测 |
| 5.3 本章小节 |
| 第6章 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 攻读学位期间的研究成果 |
（8）无废城市典型场景下的生活垃圾动态模型构建及运输模式优化（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 课题来源 |
| 1.2 课题研究背景及意义 |
| 1.3 国内外研究现状 |
| 1.3.1 固体废物产量预测模型的研究现状 |
| 1.3.2 GIS技术在固体废物收运规划研究应用现状 |
| 1.3.3 固体废物的管理体系研究现状 |
| 1.4 主要研究内容和技术路线 |
| 1.4.1 论文主要研究内容 |
| 1.4.2 研究技术路线 |
| 第2章 数据基础与研究方法 |
| 2.1 研究区域介绍 |
| 2.1.1 研究区域概况 |
| 2.1.2 社会经济状况 |
| 2.1.3 市政环境建设状况 |
| 2.2 数据来源 |
| 2.3 研究方法 |
| 2.3.1 灰色综合关联分析法 |
| 2.3.2 随机森林(RF)算法 |
| 2.3.3 克里金插值算法 |
| 第3章 基于随机森林的生活垃圾产量预测模型研究 |
| 3.1 引言 |
| 3.2 生活垃圾产量的影响因素指标体系建立与降噪预处理 |
| 3.2.1 研究区域产废特征分析与指标体系建立 |
| 3.2.2 数据特征的异常值清洗处理 |
| 3.2.3 数据特征的缺失值检测与插补 |
| 3.3 基于灰色关联分析的特征重要性分析与降维预处理 |
| 3.3.1 影响因素数据降维需求分析 |
| 3.3.2 基于灰色综合关联分析方法的数据降维 |
| 3.4 随机森林产量预测模型的构建 |
| 3.4.1 随机森林模型的初步构建 |
| 3.4.2 随机森林模型的超参数调试优化 |
| 3.4.3 随机森林模型的模型效果比对 |
| 3.4.4 基于随机森林模型的生活垃圾产量预测 |
| 3.5 本章小结 |
| 第4章 基于GIS的生活垃圾空间分布与运输路径优化 |
| 4.1 引言 |
| 4.2 基于夜间灯光遥感数据的垃圾产量空间化分布研究 |
| 4.2.1 夜间灯光数据介绍 |
| 4.2.2 夜间灯光数据预处理 |
| 4.2.3 夜间灯光与生活垃圾产量相关性计算 |
| 4.3 基于泰森多边形的生活垃圾转运点服务范围划分 |
| 4.4 基于空间区域插值方法的垃圾转运点日负荷分配研究 |
| 4.5 基于空间分布模型建立的运输多路径优化过程研究 |
| 4.5.1 研究区域道路矢量拓扑关系建立 |
| 4.5.2 垃圾运输过程VRPTW问题的求解与成本计算 |
| 4.5.3 生活垃圾收运模式区域划分 |
| 4.5.4 基于区域划分的VRPTM问题求解优化 |
| 4.6 本章小结 |
| 第5章 基于无废城市垃圾分类场景的模型优化与平台设计 |
| 5.1 引言 |
| 5.2 无废城市建设指标要求 |
| 5.2.1 源头减量指标要求 |
| 5.2.2 资源化利用指标要求 |
| 5.2.3 最终处置指标要求 |
| 5.3 基于无废城市垃圾分类场景的模型功能优化方案 |
| 5.3.1 生活垃圾分类产量时空动态预测模型优化设计 |
| 5.3.2 生活垃圾分类多路径运输VRPTM模型优化设计 |
| 5.4 无废城市生活垃圾时空动态分析与运输路径优化平台设计 |
| 5.4.1 软件架构设计 |
| 5.4.2 功能模块设计 |
| 5.4.3 平台开发设计架构 |
| 5.5 平台系统数据库设计 |
| 5.5.1 数据库管理系统 |
| 5.5.2 属性类型数据信息 |
| 5.5.3 空间类型数据信息 |
| 5.6 平台功能界面设计 |
| 5.7 本章小结 |
| 结论 |
| 参考文献 |
| 攻读学位期间发表的学术论文及其他成果 |
| 致谢 |
（9）基于汽车保有量和路网容量的城市停车供给预测模型研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 国内研究现状 |
| 1.2.2 国外研究现状 |
| 1.2.3 国内外研究评述 |
| 1.3 主要研究内容、方法与技术路线 |
| 1.3.1 论文主要研究内容 |
| 1.3.2 论文主要研究方法 |
| 1.3.3 技术路线图 |
| 第二章 城市停车供需相关理论分析 |
| 2.1 停车供需相关理论介绍 |
| 2.1.1 停车需求分析 |
| 2.1.2 停车供给分析 |
| 2.2 城市停车供给影响因素分析 |
| 2.2.1 机动车保有量 |
| 2.2.2 路网容量 |
| 2.2.3 交通管理政策 |
| 2.3 停车需求预测方法比较分析 |
| 2.3.1 停车需求总量预测模型 |
| 2.3.2 基于用地规模的停车需求模型 |
| 2.3.3 基于车辆出行吸引的停车预测模型 |
| 2.3.4 交通量-停车需求方法 |
| 2.3.5 基于小汽车保有量发展趋势的停车需求预测模型 |
| 2.3.6 现有停车需求预测模型优缺点分析 |
| 2.4 本章小结 |
| 第三章 基于汽车保有量的基本停车泊位供给预测模型 |
| 3.1 城市汽车保有量影响因素分析与预测方法 |
| 3.1.1 城市汽车保有量影响因素分析 |
| 3.1.2 主要预测模型性能分析 |
| 3.2 支持向量机(SVM)理论 |
| 3.2.1 支持向量分类机(SVC) |
| 3.2.2 支持向量回归机(SVR) |
| 3.2.3 核函数 |
| 3.3 改进灰狼算法(IGWO)优化SVM预测模型 |
| 3.3.1 灰狼算法(GWO)原理 |
| 3.3.2 差分进化算法(DE)原理 |
| 3.3.3 IGWO-SVM预测模型的构建 |
| 3.4 基于IGWO-SVM算法的基本停车泊位供给预测模型建立 |
| 3.4.1 城市汽车保有量影响因子关联度分析 |
| 3.4.2 模型建立过程 |
| 3.5 本章小结 |
| 第四章 基于路网容量的城市弹性停车泊位供给预测模型 |
| 4.1 基于时空消耗法的城市路网容量计算模型 |
| 4.1.1 道路设施有效利用面积 |
| 4.1.2 路网有效运营时间 |
| 4.1.3 交通个体时空消耗 |
| 4.1.4 基于时空消耗法的城市路网容量计算模型 |
| 4.2 城市路网容量预测模型 |
| 4.2.1 基于指数平滑法的城市道路面积预测 |
| 4.2.2 基于灰色预测模型的城市道路面积预测 |
| 4.2.3 基于组合预测模型的城市道路面积预测 |
| 4.2.4 城市路网容量预测模型 |
| 4.3 基于路网容量的城市弹性停车泊位供给预测模型 |
| 4.3.1 城市停车泊位供给与路网容量的关系 |
| 4.3.2 基于路网容量的城市弹性停车泊位供给预测模型构建 |
| 4.3.3 考虑居民出行方式对模型进行优化 |
| 4.4 本章小结 |
| 第五章 实例应用分析 |
| 5.1 德阳市旌阳区介绍 |
| 5.2 基于汽车保有量的德阳市旌阳区基本停车泊位供给预测 |
| 5.2.1 旌阳区汽车保有量影响因子选取 |
| 5.2.2 旌阳区汽车保有量预测及七种模型预测结果比对 |
| 5.3 基于路网容量的德阳市旌阳区弹性停车泊位供给预测 |
| 5.3.1 基于时空消耗法的旌阳区路网容量计算 |
| 5.3.2 基于组合预测模型的旌阳区道路总面积预测 |
| 5.3.3 旌阳区路网容量预测 |
| 5.3.4 基于路网容量的旌阳区弹性停车泊位供给预测 |
| 5.3.5 三种模型预测结果比较 |
| 5.4 区域停车管理策略建议 |
| 5.5 本章小结 |
| 第六章 结论与展望 |
| 6.1 论文主要研究成果及创新点 |
| 6.1.1 论文主要研究成果 |
| 6.1.2 论文创新点 |
| 6.2 展望与不足 |
| 致谢 |
| 参考文献 |
| 在学期间发表的论文及学术成果 |
（10）铁路客运枢纽旅客离站换乘量预测研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 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 出行行为影响因素及出行方式选择行为模型研究 |
| 1.2.2 铁路客流预测方法研究 |
| 1.2.3 研究现状评述 |
| 1.3 研究内容及技术路线 |
| 1.3.1 研究内容 |
| 1.3.2 技术路线 |
| 第2章 铁路客运枢纽换乘特性及旅客换乘行为分析 |
| 2.1 铁路客运枢纽特征分析 |
| 2.1.1 铁路客运枢纽的概念 |
| 2.1.2 铁路客运枢纽的区位分析 |
| 2.1.3 铁路客运枢纽的功能分析 |
| 2.2 铁路客运站与城市交通换乘衔接分析 |
| 2.2.1 铁路客运站与城市交通衔接布局 |
| 2.2.2 换乘方式技术经济特征 |
| 2.3 基于计划行为理论的换乘行为分析 |
| 2.3.1 计划行为理论 |
| 2.3.2 基于TPB理论的换乘方式决策影响因素分析 |
| 2.4 旅客换乘方式选择决策过程 |
| 2.4.1 换乘出行决策准则 |
| 2.4.2 换乘出行决策过程 |
| 2.5 本章小结 |
| 第3章 铁路客运枢纽站到达客流量及换乘量预测研究 |
| 3.1 短期客流量预测方法 |
| 3.1.1 统计学方法 |
| 3.1.2 机器学习方法 |
| 3.1.3 神经网络方法 |
| 3.2 铁路客运枢纽站到达客流预测方法选择 |
| 3.2.1 短期客流量预测方法比较 |
| 3.2.2 GRU神经网络 |
| 3.3 换乘量预测思路与原理 |
| 3.3.1 换乘量预测思路 |
| 3.3.2 换乘量预测原理 |
| 3.4 本章小结 |
| 第4章 铁路客运枢纽换乘分担率预测研究 |
| 4.1 换乘分担率组合模型构建及预测方法选择 |
| 4.1.1 换乘分担率组合模型构建总体思路 |
| 4.1.2 效用及效用最大化理论 |
| 4.1.3 换乘分担率预测方法的选择 |
| 4.1.4 换乘分担率组合模型的构建 |
| 4.2 枢纽换乘环境满意度模型构建 |
| 4.2.1 满意度模型基本概念 |
| 4.2.2 铁路客运枢纽的满意度模型构建背景 |
| 4.2.3 基于层次分析法的满意度测算方法 |
| 4.3 旅客换乘方式选择特性调查方法 |
| 4.4 本章小结 |
| 第5章 成都东铁路客运枢纽换乘量预测 |
| 5.1 成都东铁路客运枢纽概况 |
| 5.1.1 成都东客运枢纽区位分析 |
| 5.1.2 成都东客运站与城市交通换乘衔接分析 |
| 5.2 成都东站到达客流预测 |
| 5.2.1 实验数据及来源 |
| 5.2.2 数据预处理 |
| 5.2.3 模型性能评价 |
| 5.2.4 预测结果对比与分析 |
| 5.3 成都东站旅客换乘方式调查与分析 |
| 5.3.1 调查方案设计 |
| 5.3.2 调查数据的统计分析 |
| 5.4 成都东站换乘环境满意度的测算与分析 |
| 5.4.1 满意度层次结构的确定 |
| 5.4.2 判断矩阵及指标权重的计算 |
| 5.4.3 满意度值的计算与分析 |
| 5.5 成都东离站旅客的换乘分担率计算 |
| 5.5.1 模型特性变量赋值及筛选 |
| 5.5.2 模型参数估计与检验 |
| 5.5.3 模型预测结果与比较 |
| 5.6 成都东站分时段换乘分担量预测结果与分析 |
| 5.6.1 成都东站各时段换乘分担量的预测 |
| 5.6.2 换乘量预测对比分析与建议 |
| 5.7 本章小结 |
| 结论与展望 |
| 致谢 |
| 参考文献 |
| 附录 |
| 附录1 数据读取和标准化处理 |
| 附录2 训练数据构造 |
| 附录3 训练集和测试集划分 |
| 附录4 构建Data Loader实例 |
| 附录5 模型构建 |
| 附录6 模型训练和测试 |
| 附录7 成都东客运站出站人员问卷调查 |
| 附录8 SPSS相关性检验表 |
| 附录9 Mixed Logit模型部分代码 |
| 攻读硕士学位期间发表的论文及科研成果 |
四、基于灰色预测和神经网络的城市建设用地量预测（论文参考文献）
- [1]基于IABC-BP算法的合肥城市生活垃圾清运量预测模型研究[D]. 田莉莎. 安徽财经大学, 2020(04)
- [2]崇明东滩多期吹填区地面沉降与土体固结特征分析[D]. 于庆博. 吉林大学, 2020
- [3]基于土地利用变化的生态系统服务价值及生态补偿标准研究[D]. 胡赛. 中国矿业大学, 2020(03)
- [4]城市轨道交通大型活动客流预测方法研究[D]. 梁强升. 北京交通大学, 2020(03)
- [5]基于需求量预测的生鲜电商企业中心仓与前置仓选址研究[D]. 董琦. 北京交通大学, 2020(03)
- [6]基于机器学习的城市轨道交通客流需求预测[D]. 高梦琦. 北京交通大学, 2020
- [7]基于网格化的负荷预测方法研究及应用[D]. 占佳声. 南昌大学, 2020(01)
- [8]无废城市典型场景下的生活垃圾动态模型构建及运输模式优化[D]. 赵天瑞. 哈尔滨工业大学, 2020(01)
- [9]基于汽车保有量和路网容量的城市停车供给预测模型研究[D]. 向怡帆. 重庆交通大学, 2020(01)
- [10]铁路客运枢纽旅客离站换乘量预测研究[D]. 袁月. 西南交通大学, 2020(07)