| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7页 |
| 1 引言 | 第10-16页 |
| 1.1 研究背景及意义 | 第10-12页 |
| 1.1.1 研究背景 | 第10-11页 |
| 1.1.2 研究意义 | 第11-12页 |
| 1.2 研究背景及意义 | 第12-14页 |
| 1.2.1 动车组运维研究现状 | 第12-13页 |
| 1.2.2 多源数据预处理研究现状 | 第13-14页 |
| 1.3 研究内容 | 第14-15页 |
| 1.4 论文组织结构 | 第15-16页 |
| 2 数据预处理综述 | 第16-24页 |
| 2.1 常规数据预处理主要任务 | 第16-19页 |
| 2.1.1 数据清洗 | 第16-17页 |
| 2.1.2 数据集成 | 第17-18页 |
| 2.1.3 数据规约 | 第18-19页 |
| 2.1.4 数据变换 | 第19页 |
| 2.2 多源数据预处理主要任务 | 第19-23页 |
| 2.2.1 数据变换 | 第19-20页 |
| 2.2.2 异构数据集成 | 第20-21页 |
| 2.2.3 统一数据尺度 | 第21-22页 |
| 2.2.4 多源时间同步 | 第22-23页 |
| 2.3 本章小结 | 第23-24页 |
| 3 动车组多源数据预处理 | 第24-43页 |
| 3.1 面向动车组运维的全生命周期数据 | 第24-26页 |
| 3.2 动车组运维相关研究需求分析 | 第26-28页 |
| 3.3 面向动车组运维的多源数据预处理 | 第28-38页 |
| 3.1.1 存在问题 | 第28-33页 |
| 3.1.2 方法研究 | 第33-38页 |
| 3.4 多源数据预处理体系 | 第38-42页 |
| 3.4.1 离线处理 | 第39-41页 |
| 3.4.2 在线处理 | 第41-42页 |
| 3.5 本章小结 | 第42-43页 |
| 4 基于序列模式挖掘算法的数据预处理方法 | 第43-54页 |
| 4.1 选取目标过程 | 第43-44页 |
| 4.2 还原目标过程曲线 | 第44-46页 |
| 4.3 序列模式挖掘 | 第46-48页 |
| 4.4 算法结果 | 第48-49页 |
| 4.5 算法应用 | 第49-50页 |
| 4.6 算法评价 | 第50-53页 |
| 4.7 本章小结 | 第53-54页 |
| 5 基于KAFKA的车载监测数据在线预处理实现 | 第54-67页 |
| 5.1 KAFKA简介 | 第54-55页 |
| 5.2 系统设计 | 第55-57页 |
| 5.3 实验环境 | 第57-58页 |
| 5.3.1 硬件环境 | 第57-58页 |
| 5.3.2 Kafka相关配置 | 第58页 |
| 5.4 实验测试 | 第58-63页 |
| 5.4.1 Producer和Consumer通信测试 | 第58-61页 |
| 5.4.2 使用Kafka Java API模拟实时传输的实现 | 第61-63页 |
| 5.5 功能实现 | 第63-66页 |
| 5.6 本章小结 | 第66-67页 |
| 6 结论 | 第67-69页 |
| 6.1 工作总结 | 第67页 |
| 6.2 工作展望 | 第67-69页 |
| 参考文献 | 第69-73页 |
| 作者简历及攻读硕士学位期间取得的研究成果 | 第73-75页 |
| 学位论文数据集 | 第75页 |