| 致谢 | 第5-6页 |
| 摘要 | 第6-8页 |
| ABSTRACT | 第8-10页 |
| 1 引言 | 第16-40页 |
| 1.1 研究背景和意义 | 第16-22页 |
| 1.1.1 研究背景 | 第16-19页 |
| 1.1.2 问题提出 | 第19-20页 |
| 1.1.3 研究意义 | 第20-22页 |
| 1.2 研究问题界定 | 第22-25页 |
| 1.2.1 港口干散货货运业务简介 | 第22-24页 |
| 1.2.2 港口干散货提货风险问题定义 | 第24-25页 |
| 1.3 研究内容和方法 | 第25-30页 |
| 1.3.1 研究内容 | 第25-29页 |
| 1.3.2 基本方法框架 | 第29-30页 |
| 1.4 研究创新点 | 第30-31页 |
| 1.5 数据来源和分析工具 | 第31-38页 |
| 1.5.1 大数据环境 | 第31-32页 |
| 1.5.2 大数据来源 | 第32-34页 |
| 1.5.3 数据描述 | 第34-37页 |
| 1.5.4 数据分析工具 | 第37-38页 |
| 1.6 本章小节 | 第38-40页 |
| 2 文献综述 | 第40-60页 |
| 2.1 研究问题综述 | 第40-46页 |
| 2.1.1 货运风险问题 | 第40-42页 |
| 2.1.2 港口干散货货运风险问题 | 第42-43页 |
| 2.1.3 港口干散货提货风险问题 | 第43-46页 |
| 2.2 相关基础理论 | 第46-51页 |
| 2.2.1 风险管理理论 | 第46-49页 |
| 2.2.2 社会网络理论 | 第49-51页 |
| 2.3 研究方法概述 | 第51-58页 |
| 2.3.1 特征选择 | 第51-53页 |
| 2.3.2 贝叶斯网络 | 第53-55页 |
| 2.3.3 社会网络分析 | 第55-58页 |
| 2.4 本章小结 | 第58-60页 |
| 3 港口干散货提货风险因素分析 | 第60-94页 |
| 3.1 风险因素分析 | 第60-63页 |
| 3.1.1 风险因素分析流程 | 第60-61页 |
| 3.1.2 风险因素识别方法 | 第61-62页 |
| 3.1.3 风险因素评价方法 | 第62页 |
| 3.1.4 港口领域风险因素分析 | 第62-63页 |
| 3.2 港口干散货提货风险因素识别 | 第63-74页 |
| 3.2.1 文献法识别提货风险因素 | 第64-65页 |
| 3.2.2 专家会议法识别提货风险因素 | 第65-67页 |
| 3.2.3 业务流程分析法识别提货风险因素 | 第67-70页 |
| 3.2.4 港口干散货提货风险因素集 | 第70-74页 |
| 3.3 港口干散货提货关键风险因素选择 | 第74-81页 |
| 3.3.1 特征选择基本流程 | 第74-75页 |
| 3.3.2 基于特征选择的方法建模 | 第75-77页 |
| 3.3.3 特征排序方法选择 | 第77-80页 |
| 3.3.4 分类器选择 | 第80-81页 |
| 3.3.5 模型验证方法选择 | 第81页 |
| 3.4 实例分析 | 第81-93页 |
| 3.4.1 数据采集 | 第81-85页 |
| 3.4.2 评估指标 | 第85页 |
| 3.4.3 实验设置 | 第85页 |
| 3.4.4 特征排序结果分析 | 第85-87页 |
| 3.4.5 分类结果分析 | 第87-92页 |
| 3.4.6 关键风险因素集 | 第92-93页 |
| 3.5 本章小节 | 第93-94页 |
| 4 基于贝叶斯网络的港口干散货提货风险预测模型构建 | 第94-116页 |
| 4.1 港口风险管理领域贝叶斯网络应用研究 | 第94-97页 |
| 4.2.1 基于专家知识的贝叶斯网络应用研究 | 第95页 |
| 4.2.2 基于专家知识和数据相结合的贝叶斯网络应用研究 | 第95-96页 |
| 4.2.3 基于数据学习的贝叶斯网络应用研究 | 第96-97页 |
| 4.2 港口干散货提货风险贝叶斯网络示例分析 | 第97-99页 |
| 4.3 港口干散货提货风险预测建模 | 第99-102页 |
| 4.3.1 贝叶斯网络建模方法 | 第99-101页 |
| 4.3.2 贝叶斯网络结构学习 | 第101页 |
| 4.3.3 贝叶斯网络参数学习 | 第101-102页 |
| 4.3.4 领域专家知识检验 | 第102页 |
| 4.4 实例分析 | 第102-114页 |
| 4.4.1 数据采集 | 第103页 |
| 4.4.2 结构学习及分析 | 第103-110页 |
| 4.4.3 参数学习及分析 | 第110-111页 |
| 4.4.4 模型评估 | 第111-114页 |
| 4.5 本章小节 | 第114-116页 |
| 5 基于社会网络分析的港口干散货提货风险预测模型优化 | 第116-136页 |
| 5.1 港口干散货提货司机社会网络示例分析 | 第116-118页 |
| 5.2 港口干散货提货司机社会网络构建 | 第118-123页 |
| 5.2.1 提货司机群体特征分析 | 第119页 |
| 5.2.2 提货司机网络数据基础 | 第119-120页 |
| 5.2.3 提货司机社会网络构建 | 第120-123页 |
| 5.3 港口干散货提货司机网络特征分析 | 第123-127页 |
| 5.3.1 节点曝光度特征 | 第124页 |
| 5.3.2 节点度特征 | 第124-125页 |
| 5.3.3 边强度特征 | 第125-127页 |
| 5.4 港口干散货提货风险预测模型优化 | 第127-128页 |
| 5.4.1 分布式社会网络特征的提取 | 第127-128页 |
| 5.4.2 关键风险因素集优化 | 第128页 |
| 5.5 实例分析 | 第128-134页 |
| 5.5.1 数据采集与匹配 | 第129-130页 |
| 5.5.2 提货司机社会网络结构分析 | 第130-132页 |
| 5.5.3 提货司机社会网络特征分析 | 第132-134页 |
| 5.6 本章小节 | 第134-136页 |
| 6 港口干散货提货风险预测实证分析 | 第136-156页 |
| 6.1 大数据来源 | 第136-146页 |
| 6.1.1 提货抽检记录 | 第137-139页 |
| 6.1.2 港口生产数据 | 第139-143页 |
| 6.1.3 海关数据 | 第143-144页 |
| 6.1.4 天气数据 | 第144-145页 |
| 6.1.5 原始数据集 | 第145-146页 |
| 6.2 数据预处理 | 第146-151页 |
| 6.2.1 结构化处理 | 第147-148页 |
| 6.2.2 数据匹配 | 第148-149页 |
| 6.2.3 数据清洗 | 第149页 |
| 6.2.4 不平衡数据集处理 | 第149-150页 |
| 6.2.5 数据标准化 | 第150页 |
| 6.2.6 数据离散化 | 第150-151页 |
| 6.3 结果分析 | 第151-154页 |
| 6.3.1 实验设置 | 第151-152页 |
| 6.3.2 评估指标 | 第152页 |
| 6.3.3 实验结果及分析 | 第152-154页 |
| 6.4 本章小节 | 第154-156页 |
| 7 港口干散货提货风险分级与实时预警 | 第156-166页 |
| 7.1 港口干散货提货风险分级 | 第156-158页 |
| 7.1.1 提货风险分级方法 | 第156-157页 |
| 7.1.2 提货风险升级策略 | 第157-158页 |
| 7.2 港口干散货提货风险预警系统实现 | 第158-164页 |
| 7.2.1 风险预警方法 | 第158-159页 |
| 7.2.2 流数据处理框架 | 第159-161页 |
| 7.2.3 风险预警系统实现 | 第161-164页 |
| 7.3 本章小节 | 第164-166页 |
| 8 结论与展望 | 第166-170页 |
| 8.1 论文主要结论 | 第166-167页 |
| 8.2 论文局限性 | 第167-168页 |
| 8.3 未来研究工作 | 第168-170页 |
| 参考文献 | 第170-182页 |
| 作者简历及攻读博士学位期间取得的研究成果 | 第182-186页 |
| 学位论文数据集 | 第186页 |
