首页--交通运输论文--铁路运输论文--铁路运输管理工程论文--货物运输论文--货物运输组织与管理论文

基于铁路货运大数据的重车车流推算关键技术研究

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

论文共195页,点击 下载论文
上一篇:电场调控氧化铁磁性能的研究
下一篇:深埋长大沉管隧道沉降分析及控制措施研究