| 摘要 | 第1-5页 |
| ABSTRACT | 第5-9页 |
| 第一章 绪论 | 第9-14页 |
| ·论文研究的背景和意义 | 第9-10页 |
| ·研究背景 | 第9-10页 |
| ·研究意义 | 第10页 |
| ·国内外研究现状及面临的问题 | 第10-12页 |
| ·数据挖掘技术在国内外铁路编组站应用现状 | 第10-11页 |
| ·当前存在的问题 | 第11-12页 |
| ·论文的内容及主要工作 | 第12-14页 |
| ·论文内容 | 第12页 |
| ·论文的主要工作 | 第12-14页 |
| 第二章 数据挖掘技术理论综述 | 第14-24页 |
| ·数据挖掘理论 | 第14-20页 |
| ·数据挖掘技术的产生背景 | 第14-15页 |
| ·数据挖掘与传统分析方法的区别 | 第15-16页 |
| ·数据挖掘发现的知识类型 | 第16-19页 |
| ·数据挖掘应用 | 第19-20页 |
| ·数据挖掘的流程 | 第20-24页 |
| 第三章 改进的 K-means 算法及其在铁路客户细分中的应用 | 第24-40页 |
| ·对铁路货运客户进行细分的意义 | 第24页 |
| ·K-means 算法 | 第24-28页 |
| ·K-means 算法的基本原理 | 第24页 |
| ·K-means 算法中的相关概念 | 第24-27页 |
| ·K-means 算法流程 | 第27-28页 |
| ·K-means 算法的缺点 | 第28页 |
| ·K-means 优化算法的改进 | 第28-35页 |
| ·算法的改进思想 | 第28-31页 |
| ·改进的 K-means 算法 | 第31-33页 |
| ·实验及结果分析 | 第33-35页 |
| ·基于改进的 K-means 算法的铁路货运客户细分 | 第35-39页 |
| ·铁路客户细分指标的确定 | 第35-36页 |
| ·数据预处理 | 第36-37页 |
| ·优化的 K-means 算法对铁路货运客户聚类分析 | 第37-38页 |
| ·聚类结果分析 | 第38-39页 |
| ·本章小结 | 第39-40页 |
| 第四章 优化的 Apriori 算法在铁路编组站安全风险预警系统中的应用研究 | 第40-52页 |
| ·Apriori 算法 | 第40-43页 |
| ·关联规则的相关概念 | 第41页 |
| ·Aprior 算法思想 | 第41-43页 |
| ·改进的 Apriori 算法 | 第43-47页 |
| ·算法改进思想 | 第43-44页 |
| ·实验及结果分析 | 第44-47页 |
| ·优化的 Apriori 算法在铁路编组站安全风险预警系统中的应用 | 第47-51页 |
| ·安全生产风险管理预警模型 | 第47-48页 |
| ·安全生产风险管理预警模型的求解 | 第48-50页 |
| ·挖掘结果及解释 | 第50-51页 |
| ·本章小结 | 第51-52页 |
| 第五章 总结与展望 | 第52-54页 |
| ·总结 | 第52页 |
| ·展望 | 第52-54页 |
| 参考文献 | 第54-58页 |
| 攻读学位期间主要的研究成果 | 第58-59页 |
| 致谢 | 第59页 |
