| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7-8页 |
| 序言 | 第9-13页 |
| 1 引言 | 第13-23页 |
| 1.1 本文的研究背景和意义 | 第13页 |
| 1.2 国内外研究现状 | 第13-21页 |
| 1.2.1 对列车调度事故的研究 | 第14-16页 |
| 1.2.2 基于不同方法的研究思路 | 第16-21页 |
| 1.2.3 国内外研究情况小结 | 第21页 |
| 1.3 本文主体结构和技术路线 | 第21-23页 |
| 1.3.1 本文主体结构 | 第21-22页 |
| 1.3.2 论文技术路线图 | 第22-23页 |
| 2 列车调度工作与非正常情况行车组织 | 第23-35页 |
| 2.1 列车调度工作概述 | 第23-26页 |
| 2.1.1 列车调度员工作职责 | 第23-24页 |
| 2.1.2 各调度台间的工作联系 | 第24-26页 |
| 2.2 非正常情况行车组织 | 第26-30页 |
| 2.2.1 非正常情况行车组织的定义 | 第26页 |
| 2.2.2 非正常情况行车组织对调度员工作负荷影响的定义 | 第26-27页 |
| 2.2.3 非正常情况与突发事件的区别 | 第27-28页 |
| 2.2.4 非正常情况的分类 | 第28-30页 |
| 2.3 非正常情况行车组织的处理 | 第30-34页 |
| 2.3.1 非正常情况的处理 | 第30-32页 |
| 2.3.2 非正常情况下的调度工作特点分析 | 第32-33页 |
| 2.3.3 非正常情况下对调度员的影响 | 第33-34页 |
| 2.4 本章小结 | 第34-35页 |
| 3 非正常情况行车组织的权重确定 | 第35-45页 |
| 3.1 非正常情况的识别 | 第35-41页 |
| 3.1.1 非正常情况的系统识别 | 第35-37页 |
| 3.1.2 非正常情况的合并处理 | 第37-38页 |
| 3.1.3 非正常情况的难度评价 | 第38-41页 |
| 3.2 权重分析方法对比 | 第41-42页 |
| 3.3 基于MATLAB的熵权法权重计算 | 第42-44页 |
| 3.3.1 熵权法简介 | 第42页 |
| 3.3.2 熵权法赋权步骤 | 第42-43页 |
| 3.3.3 基于MATLAB的权重计算 | 第43-44页 |
| 3.4 本章小结 | 第44-45页 |
| 4 非正常情况评估模型建立与参数分析 | 第45-65页 |
| 4.1 影响、风险的概念与针对非正常情况的改进 | 第45-46页 |
| 4.1.1 风险的概念 | 第45页 |
| 4.1.2 基于调度非正常情况特点的改进 | 第45-46页 |
| 4.2 非正常情况的参数分析 | 第46-55页 |
| 4.2.1 非正常情况的概率分析 | 第46-52页 |
| 4.2.2 非正常情况的处理难度分析 | 第52-53页 |
| 4.2.3 非正常情况的权重分析 | 第53-55页 |
| 4.2.4 小结 | 第55页 |
| 4.3 基于贝叶斯公式的非正常情况涉及部门分析 | 第55-59页 |
| 4.3.1 贝叶斯公式基础 | 第55-56页 |
| 4.3.2 非正常情况涉及部门分析 | 第56-59页 |
| 4.4 基于数据分析的非正常情况涉及部门分析 | 第59-64页 |
| 4.5 本章小结 | 第64-65页 |
| 5 基于BP神经网络的模型实现 | 第65-77页 |
| 5.1 BP神经网络基础 | 第65-66页 |
| 5.2 BP神经网络模型结构设计流程 | 第66-71页 |
| 5.2.1 BP神经网络神经元的确定 | 第67-68页 |
| 5.2.2 BP神经网络神正向传播映射确定 | 第68-70页 |
| 5.2.3 BP神经网络反向传播映射确定 | 第70-71页 |
| 5.3 BP神经网络实现与结果分析 | 第71-73页 |
| 5.4 BP神经网络学习效果检验 | 第73-74页 |
| 5.5 实例应用 | 第74-76页 |
| 5.6 本章小结 | 第76-77页 |
| 6 总结与展望 | 第77-79页 |
| 参考文献 | 第79-82页 |
| 附录A | 第82-84页 |
| 附录B | 第84-85页 |
| 附录C | 第85-88页 |
| 附录D | 第88-90页 |
| 作者简历及攻读硕士/博士学位期间取得的研究成果 | 第90-92页 |
| 学位论文数据集 | 第92页 |