| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7页 |
| 1 引言 | 第11-29页 |
| 1.1 研究背景与意义 | 第11-13页 |
| 1.2 研究现状 | 第13-19页 |
| 1.2.1 铁路信号系统维护策略研究现状 | 第13-15页 |
| 1.2.2 铁路安全风险理论研究现状 | 第15-18页 |
| 1.2.3 关联规则挖掘算法研究现状 | 第18-19页 |
| 1.3 铁路信号系统设备运营数据特征 | 第19-27页 |
| 1.4 论文研究思路 | 第27-29页 |
| 2 信号系统设备维护策略方法综述 | 第29-43页 |
| 2.1 大数据风险分析概述 | 第29-30页 |
| 2.2 铁路信号系统设备大数据风险分析应用方案 | 第30-37页 |
| 2.3 关联规则挖掘算法 | 第37-39页 |
| 2.4 基于风险的维护策略制定 | 第39-41页 |
| 2.5 本章小结 | 第41-43页 |
| 3 基于MapReduce的信号系统运营数据关联规则挖掘方法研究 | 第43-59页 |
| 3.1 MapReduce运算框架 | 第43-46页 |
| 3.2 FP-Growth算法 | 第46-50页 |
| 3.3 问题陈述 | 第50-52页 |
| 3.4 解决方法 | 第52-55页 |
| 3.4.1 融合SequenceFiles的FP-Growth算法描述 | 第52-54页 |
| 3.4.2 算法实现 | 第54-55页 |
| 3.5 性能评估与结果分析 | 第55-57页 |
| 3.6 本章小结 | 第57-59页 |
| 4 基于铁路安全风险模型的维护策略优化方法 | 第59-69页 |
| 4.1 基于事件树与故障树的安全风险模型 | 第59-61页 |
| 4.2 基于运营数据的安全风险模型 | 第61-66页 |
| 4.3 维护策略优化 | 第66-68页 |
| 4.4 本章小结 | 第68-69页 |
| 5 基于MapReduce优化数据挖掘策略和优化维护策略的案例验证 | 第69-85页 |
| 5.1 数据采集与数据整理 | 第69-76页 |
| 5.1.1 设备运营数据 | 第70-75页 |
| 5.1.2 天气数据 | 第75-76页 |
| 5.2 安全风险评估 | 第76-78页 |
| 5.3 数据可视化展示 | 第78-80页 |
| 5.4 维护策略制定 | 第80-84页 |
| 5.4.1 现有维护策略 | 第80-81页 |
| 5.4.2 基于风险的优化维护策略评估 | 第81-84页 |
| 5.5 本章小结 | 第84-85页 |
| 6 结论与展望 | 第85-87页 |
| 6.1 结论 | 第85页 |
| 6.2 不足与展望 | 第85-87页 |
| 参考文献 | 第87-93页 |
| 图索引 | 第93-95页 |
| 表索引 | 第95-97页 |
| 附录A M63-1型道岔转辙机采集数据样例 | 第97-99页 |
| 附录B 信号系统RBC和ATP故障数据存储样例 | 第99-103页 |
| 作者简历及攻读硕士学位期间取得的研究成果 | 第103-107页 |
| 学位论文数据集 | 第107页 |
