航班延误预测的大数据方法研究
| 摘要 | 第4-5页 |
| abstract | 第5页 |
| 第一章 绪论 | 第11-22页 |
| 1.1 研究背景和意义 | 第11-12页 |
| 1.2 研究目的 | 第12-13页 |
| 1.3 研究现状综述 | 第13-19页 |
| 1.3.1 航班延误预测 | 第13-15页 |
| 1.3.2 大数据分析技术 | 第15-19页 |
| 1.4 研究内容与方法 | 第19-21页 |
| 1.4.1 研究内容 | 第19-20页 |
| 1.4.2 研究方法 | 第20-21页 |
| 1.5 论文结构 | 第21-22页 |
| 第二章 航班延误预测问题分析 | 第22-30页 |
| 2.1 延误判定标准 | 第22-23页 |
| 2.1.1 局方延误判定标准变迁 | 第22-23页 |
| 2.1.2 本文的延误标准界定 | 第23页 |
| 2.2 航班延误因素 | 第23-25页 |
| 2.2.1 延误因素划分多样 | 第23-24页 |
| 2.2.2 本文的延误因素选择 | 第24-25页 |
| 2.3 局方航班信息统计 | 第25-27页 |
| 2.3.1 航空信息系统现状 | 第25页 |
| 2.3.2 中国航班正常性统计 | 第25-27页 |
| 2.3.3 国外航班正常性统计 | 第27页 |
| 2.4 民间航班延误预测 | 第27-29页 |
| 2.4.1 数据开放问题 | 第27-28页 |
| 2.4.2 分析技术问题 | 第28-29页 |
| 2.4.3 数据应用问题 | 第29页 |
| 2.5 本章小结 | 第29-30页 |
| 第三章 大数据的基础设施与处理方法 | 第30-44页 |
| 3.1 大数据的基础设施 | 第30-34页 |
| 3.1.1 大数据概念结构 | 第30-31页 |
| 3.1.2 分布式系统 | 第31页 |
| 3.1.3 大数据开源框架 | 第31-34页 |
| 3.2 大数据的处理流程 | 第34-35页 |
| 3.3 大数据的数据模型 | 第35-40页 |
| 3.3.1 数据模型概述 | 第35-36页 |
| 3.3.2 数据模型要素 | 第36-38页 |
| 3.3.3 数据组织关联 | 第38-40页 |
| 3.4 大数据的预测模型 | 第40-43页 |
| 3.4.1 相关关系 | 第40页 |
| 3.4.2 机器学习 | 第40-41页 |
| 3.4.3 分类与回归 | 第41页 |
| 3.4.4 计算模式 | 第41-43页 |
| 3.5 本章小结 | 第43-44页 |
| 第四章 航班延误大数据的数据模型 | 第44-54页 |
| 4.1 数据获取 | 第44-47页 |
| 4.1.1 数据来源 | 第44-45页 |
| 4.1.2 数据形式 | 第45-47页 |
| 4.2 数据管理 | 第47-49页 |
| 4.2.1 数据组织 | 第47-48页 |
| 4.2.2 数据关联 | 第48-49页 |
| 4.2.3 数据存储 | 第49页 |
| 4.3 数据探索 | 第49-51页 |
| 4.3.1 延误环节统计分析 | 第49-50页 |
| 4.3.2 航班时刻分布规律 | 第50-51页 |
| 4.4 数据预处理 | 第51-52页 |
| 4.4.1 数据清理 | 第51-52页 |
| 4.4.2 数据转换 | 第52页 |
| 4.5 与传统数据模型的对比 | 第52-53页 |
| 4.6 本章小结 | 第53-54页 |
| 第五章 航班延误大数据的预测模型 | 第54-70页 |
| 5.1 建模流程 | 第54-55页 |
| 5.2 个体学习 | 第55-64页 |
| 5.2.1 决策树理论 | 第55-56页 |
| 5.2.2 决策树实例 | 第56-60页 |
| 5.2.3 评估与调优 | 第60-64页 |
| 5.3 集成学习 | 第64-67页 |
| 5.3.1 随机森林 | 第64-65页 |
| 5.3.2 梯度提升树 | 第65页 |
| 5.3.3 实例分析 | 第65-67页 |
| 5.4 流式计算 | 第67-68页 |
| 5.5 与传统预测模型的对比 | 第68-69页 |
| 5.6 本章小结 | 第69-70页 |
| 第六章 总结与展望 | 第70-72页 |
| 6.1 本文工作总结 | 第70-71页 |
| 6.2 本文的创新点 | 第71页 |
| 6.3 研究展望 | 第71-72页 |
| 参考文献 | 第72-75页 |
| 致谢 | 第75-76页 |
| 在学期间的研究成果及发表的学术论文 | 第76页 |
