致谢 | 第5-6页 |
摘要 | 第6-8页 |
ABSTRACT | 第8-10页 |
1 绪论 | 第21-41页 |
1.1 研究背景与问题界定 | 第21-25页 |
1.1.1 研究背景 | 第21-22页 |
1.1.2 现行推算方法概述 | 第22-24页 |
1.1.3 存在的问题与不足 | 第24-25页 |
1.2 研究目标与研究意义 | 第25-27页 |
1.2.1 研究目标 | 第25-26页 |
1.2.2 研究意义 | 第26-27页 |
1.3 国内外研究综述 | 第27-35页 |
1.3.1 铁路货运车流推算方法研究 | 第28-29页 |
1.3.2 铁路车辆在站停留时间研究 | 第29-31页 |
1.3.3 铁路车流径路计算选择方法研究 | 第31-32页 |
1.3.4 交通大数据的异常挖掘与学习机制研究 | 第32-33页 |
1.3.5 大数据模型构建与计算架构研究 | 第33-35页 |
1.4 研究思路与研究内容 | 第35-37页 |
1.4.1 研究思路 | 第35-36页 |
1.4.2 研究内容 | 第36-37页 |
1.5 论文组织结构 | 第37-40页 |
1.6 本章小结 | 第40-41页 |
2 服务于车流推算的基础数据排异融合策略 | 第41-67页 |
2.1 业务系统与数据背景 | 第41-47页 |
2.1.1 车流推算多源异构数据的系统分布与关系 | 第42-45页 |
2.1.2 车流推算多源异构数据的内容分析 | 第45-47页 |
2.2 车流推算数据模型 | 第47-50页 |
2.2.1 车流推算元数据描述模型 | 第47-48页 |
2.2.2 推算车辆元数据描述模型 | 第48页 |
2.2.3 推算车站元数据描述模型 | 第48-49页 |
2.2.4 车流推算元数据关联函数 | 第49-50页 |
2.3 车辆停留时间异常检测算法 | 第50-57页 |
2.3.1 停留时间序列显性异常聚类算法 | 第51-53页 |
2.3.2 停留时间序列隐性异常检测算法 | 第53-54页 |
2.3.3 停留时间序列下界异常判定条件 | 第54-55页 |
2.3.4 异常检测算法流程 | 第55-56页 |
2.3.5 时间复杂度分析 | 第56页 |
2.3.6 算法适应性分析 | 第56-57页 |
2.4 异常数据修复方法 | 第57-59页 |
2.4.1 车辆停留时间异常数据修复方法 | 第57-58页 |
2.4.2 车流径路异常数据修复方法 | 第58-59页 |
2.5 实验与评价Ⅰ | 第59-63页 |
2.5.1 算例设计 | 第59-60页 |
2.5.2 分层获取球形簇聚类特征树 | 第60-61页 |
2.5.3 聚类特征平衡树参数的设定 | 第61页 |
2.5.4 邻居个数k与隐性异常个数g的设定 | 第61-62页 |
2.5.5 算法执行效率 | 第62页 |
2.5.6 实验结果与效果分析 | 第62-63页 |
2.6 实验与评价Ⅱ | 第63-65页 |
2.6.1 算例设计 | 第63页 |
2.6.2 效果分析 | 第63-65页 |
2.7 本章小结 | 第65-67页 |
3 基于模式感知的车流径路轨迹识别与动态预测 | 第67-97页 |
3.1 铁路车流径路问题概述 | 第67-74页 |
3.1.1 车流径路的分类 | 第68页 |
3.1.2 车流径路的特点 | 第68-69页 |
3.1.3 车流径路与计费径路 | 第69页 |
3.1.4 车流径路的计算 | 第69-72页 |
3.1.5 车流径路与车流推算 | 第72页 |
3.1.6 现行车流径路算法应用于车流推算存在的问题 | 第72-74页 |
3.2 基于SST的车流实际径路轨迹智能识别方法 | 第74-78页 |
3.2.1 车流推算元数据中径路数据的采集 | 第74-75页 |
3.2.2 基于Simhash的径路轨迹指纹库构建 | 第75-76页 |
3.2.3 径路轨迹模式聚类与挖掘 | 第76-78页 |
3.3 基于特征加权的铁路车流径路变长马尔可夫预测方法 | 第78-87页 |
3.3.1 问题定义 | 第79-80页 |
3.3.2 状态空间描述 | 第80页 |
3.3.3 车流径路的变长马尔可夫模型 | 第80-82页 |
3.3.4 基于特征加权的车流径路变长马尔可夫模型 | 第82-84页 |
3.3.5 模型求解算法流程 | 第84-87页 |
3.3.6 预测模型评价指标 | 第87页 |
3.4 实验与评价Ⅰ | 第87-90页 |
3.4.1 实验数据与测试环境 | 第87页 |
3.4.2 评价标准 | 第87-88页 |
3.4.3 实验结果与效果分析 | 第88-90页 |
3.5 实验与评价Ⅱ | 第90-94页 |
3.5.1 实验数据与测试环境 | 第91页 |
3.5.2 模拟实验过程与结果 | 第91-94页 |
3.5.3 生产实验结果与效果分析 | 第94页 |
3.6 本章小结 | 第94-97页 |
4 基于特征黑箱的车辆在站停留时间学习与预测 | 第97-127页 |
4.1 车辆停留时间统计问题概述 | 第97-102页 |
4.1.1 车辆停留时间的概念、分类与意义 | 第97-98页 |
4.1.2 传统车辆中转作业时间计算方法 | 第98-99页 |
4.1.3 号码制与非号码制停留时间指标统计方法 | 第99-101页 |
4.1.4 现行停留时间算法应用于车流推算存在的问题 | 第101-102页 |
4.2 基于ISL-MEA-BP神经网络的车辆在站停留时间预测方法 | 第102-111页 |
4.2.1 车流推算数据模型中时间特征的关系 | 第103页 |
4.2.2 车辆停留时间关键影响因子分析与编码 | 第103-105页 |
4.2.3 车辆在站停留时间预测模型构建 | 第105-109页 |
4.2.4 基于ISL-MEA-BP神经网络的车辆在站停留时间预测模型 | 第109-110页 |
4.2.5 预测模型评价指标 | 第110-111页 |
4.3 基于类别映射的车辆在站停留时间序列预测方法 | 第111-116页 |
4.3.1 在站车辆类别映射函数 | 第111-113页 |
4.3.2 在站车辆停留时间序列判定准则 | 第113-114页 |
4.3.3 时间序列模型概述 | 第114-115页 |
4.3.4 基于类别映射的车辆在站停留时间序列预测模型 | 第115-116页 |
4.4 两种车辆在站停留时间预测方法的关系 | 第116页 |
4.5 实验与评价Ⅰ | 第116-120页 |
4.5.1 实验数据 | 第117页 |
4.5.2 算法参数设置 | 第117-118页 |
4.5.3 基于历史样本的预测结果分析 | 第118-120页 |
4.5.4 基于更新样本的预测结果分析 | 第120页 |
4.6 实验与评价Ⅱ | 第120-125页 |
4.6.1 实验数据 | 第121页 |
4.6.2 棚车停留时间序列平稳性检验 | 第121-122页 |
4.6.3 棚车模型滞后期确定 | 第122-123页 |
4.6.4 棚车模型参数估计 | 第123-124页 |
4.6.5 棚车预测效果评价 | 第124-125页 |
4.6.6 全模型构建 | 第125页 |
4.7 本章小结 | 第125-127页 |
5 基于时空迭代的全路车流动态协同推算方法 | 第127-149页 |
5.1 模型构建基本思路 | 第127-130页 |
5.1.1 单一车辆时空动态推算 | 第127-129页 |
5.1.2 路网区域重车车流动态推算 | 第129-130页 |
5.2 车辆时空动态推算模型 | 第130-134页 |
5.2.1 基础模型定义 | 第131页 |
5.2.2 迭代模型定义 | 第131-132页 |
5.2.3 时空推算误差定义 | 第132-134页 |
5.3 到达车流时空推算模型 | 第134-140页 |
5.3.1 时间切片子模型 | 第134-136页 |
5.3.2 空间切片子模型 | 第136-138页 |
5.3.3 基于辐射误差的通过车流量推算模型 | 第138-140页 |
5.4 基于时空迭代的全路车流协同推算流程 | 第140-141页 |
5.5 实验与评价 | 第141-147页 |
5.5.1 实验数据与实验环境 | 第141页 |
5.5.2 车辆时空推算案例 | 第141-144页 |
5.5.3 车站到达车流时空推算案例 | 第144-146页 |
5.5.4 预测效果与评价 | 第146-147页 |
5.6 本章小结 | 第147-149页 |
6 全路车流推算SCH架构与动态并发任务优化 | 第149-163页 |
6.1 全路车流推算SCH架构 | 第149-153页 |
6.1.1 物理网络架构 | 第149-150页 |
6.1.2 逻辑计算架构 | 第150-153页 |
6.2 基于运算性能的车流推算并行任务动态分配模型与算法 | 第153-158页 |
6.2.1 集群运算性能影响因素 | 第153-154页 |
6.2.2 模型构建 | 第154-156页 |
6.2.3 基本PSO算法与改进方案 | 第156-157页 |
6.2.4 车流推算并行任务动态PSO优化算法 | 第157-158页 |
6.3 实验与评价 | 第158-161页 |
6.3.1 实验环境 | 第158页 |
6.3.2 测试程序与实验参数设置 | 第158-159页 |
6.3.3 实验效果与评价 | 第159-161页 |
6.4 本章小结 | 第161-163页 |
7 基于铁路货运大数据的重车车流推算原型系统 | 第163-173页 |
7.1 车流推算系统功能需求 | 第163-164页 |
7.2 车流推算系统设计 | 第164-171页 |
7.2.1 系统总体结构 | 第164-166页 |
7.2.2 系统功能模块设计与部分模块实现 | 第166-171页 |
7.3 本章小结 | 第171-173页 |
8 结论与展望 | 第173-177页 |
8.1 主要研究成果 | 第173-174页 |
8.2 论文创新点 | 第174-175页 |
8.3 研究展望 | 第175-177页 |
参考文献 | 第177-183页 |
附录A | 第183-187页 |
附录B | 第187-191页 |
作者简历及攻读博士学位期间取得的研究成果 | 第191-195页 |
学位论文数据集 | 第195页 |