基于数据挖掘的航班延误预测模型及方法的研究
| 摘要 | 第1-5页 |
| Abstract | 第5-10页 |
| 第一章 绪论 | 第10-14页 |
| ·研究背景 | 第10-11页 |
| ·数据挖掘技术 | 第10页 |
| ·航班延误问题 | 第10-11页 |
| ·国内外研究现状 | 第11-12页 |
| ·国外研究现状 | 第11-12页 |
| ·国内研究现状 | 第12页 |
| ·本文研究现实意义 | 第12-13页 |
| ·本文章节安排 | 第13-14页 |
| 第二章 数据挖掘技术与航班延误 | 第14-23页 |
| ·数据挖掘技术简介 | 第14-18页 |
| ·数据挖掘的定义 | 第15-16页 |
| ·数据挖掘的工作流程 | 第16-17页 |
| ·数据挖掘的应用领域 | 第17-18页 |
| ·数据挖掘中的预测 | 第18-20页 |
| ·预测的定义 | 第18-19页 |
| ·预测的特点与分类 | 第19-20页 |
| ·航班延误问题 | 第20-22页 |
| ·严峻的航班延误问题 | 第20-21页 |
| ·航班延误对航空业的影响 | 第21页 |
| ·国内现行预案与措施 | 第21-22页 |
| ·本章小结 | 第22-23页 |
| 第三章 航班延误预测模型 | 第23-36页 |
| ·航班原始数据及分析 | 第23-25页 |
| ·原始航班信息表 | 第23-24页 |
| ·全年航班延误特征分析 | 第24-25页 |
| ·航班延误与延误率定义 | 第25页 |
| ·航班延误定义 | 第25页 |
| ·航班延误率定义 | 第25页 |
| ·时间序列预测模型 | 第25-26页 |
| ·时间序列的定义 | 第25-26页 |
| ·时间序列预测模型特点 | 第26页 |
| ·预测过程 | 第26-28页 |
| ·数据预处理 | 第26-27页 |
| ·预测步骤 | 第27页 |
| ·预测模型评估 | 第27-28页 |
| ·常见的几种预测方法在航班延误中的应用 | 第28-34页 |
| ·线性回归方法 | 第28-30页 |
| ·非线性回归方法 | 第30-31页 |
| ·人工神经网络方法 | 第31-33页 |
| ·预测结果对比分析 | 第33-34页 |
| ·航班延误预警 | 第34-35页 |
| ·现行的预警等级划分 | 第34-35页 |
| ·面向机场的延误信息预警 | 第35页 |
| ·本章小结 | 第35-36页 |
| 第四章 融合先验知识的SVR 在航班延误中的应用 | 第36-50页 |
| ·统计学习理论 | 第36-39页 |
| ·损失函数与期望风险 | 第36-37页 |
| ·经验风险最小化准则 | 第37-38页 |
| ·VC 维 | 第38页 |
| ·结构风险最小化准则 | 第38-39页 |
| ·标准支持向量机回归方法 | 第39-41页 |
| ·融合先验知识的支持向量机回归方法 | 第41-45页 |
| ·融合先验知识的支持向量机回归 | 第41-44页 |
| ·仿真实验结果分析 | 第44-45页 |
| ·融合先验知识的SVR 在航班延误预测中的应用 | 第45-49页 |
| ·参数选取 | 第45页 |
| ·先验知识对预测的影响 | 第45-46页 |
| ·预测结果分析 | 第46-49页 |
| ·本章小结 | 第49-50页 |
| 第五章 总结与展望 | 第50-52页 |
| ·总结 | 第50页 |
| ·展望 | 第50-52页 |
| 参考文献 | 第52-55页 |
| 致谢 | 第55-56页 |
| 在学期间的研究成果及发表的学术论文 | 第56页 |
