基于观察学习的航班备降概率分布预测模型
| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第一章 绪论 | 第9-15页 |
| 1.1 研究背景与意义 | 第9-10页 |
| 1.2 研究现状 | 第10-13页 |
| 1.3 主要研究内容 | 第13-14页 |
| 1.4 章节安排 | 第14-15页 |
| 第二章 相关理论 | 第15-24页 |
| 2.1 概率与概率分布 | 第15-16页 |
| 2.2 集成学习理论 | 第16-21页 |
| 2.2.1 集成学习概念与作用 | 第16-17页 |
| 2.2.2 传统的集成学习方法 | 第17-20页 |
| 2.2.3 观察学习机制 | 第20-21页 |
| 2.3 模拟退火算法 | 第21-23页 |
| 2.4 本章小结 | 第23-24页 |
| 第三章 基于观察学习的概率分布预测算法 | 第24-44页 |
| 3.1 观察学习算法 | 第24-31页 |
| 3.1.1 观察学习原理 | 第24-25页 |
| 3.1.2 基于松弛属性约束的子集抽取方法 | 第25-27页 |
| 3.1.3 基于非参数学习的概率分布生成方法 | 第27-29页 |
| 3.1.4 基于混合策略的虚拟数据生成方法 | 第29-31页 |
| 3.2 观察学习参数的优化 | 第31-38页 |
| 3.2.1 观察学习算法的参数优化模型 | 第31-33页 |
| 3.2.2 基于模拟退火的求解算法 | 第33-35页 |
| 3.2.3 概率分布差异度的度量 | 第35-38页 |
| 3.3 实验与分析 | 第38-43页 |
| 3.4 本章小结 | 第43-44页 |
| 第四章 航班备降概率分布的预测 | 第44-61页 |
| 4.1 航班备降概率分布预测问题建模 | 第44-49页 |
| 4.1.1 问题描述 | 第44-46页 |
| 4.1.2 数据预处理 | 第46-49页 |
| 4.2 航班备降概率分布贝叶斯预测模型 | 第49-53页 |
| 4.2.1 朴素贝叶斯预测算法 | 第49-51页 |
| 4.2.2 贝叶斯网预测算法 | 第51-53页 |
| 4.3 航班备降概率分布观察学习预测模型 | 第53-55页 |
| 4.4 实验与分析 | 第55-60页 |
| 4.5 本章小结 | 第60-61页 |
| 第五章 总结与展望 | 第61-63页 |
| 5.1 总结 | 第61-62页 |
| 5.2 展望 | 第62-63页 |
| 参考文献 | 第63-68页 |
| 致谢 | 第68-69页 |
| 作者简介 | 第69页 |
