基于机器学习的铁路短期客流预测方法优化研究
| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7页 |
| 1 引言 | 第10-14页 |
| 1.1 选题背景 | 第10页 |
| 1.2 国内外研究现状 | 第10-12页 |
| 1.3 研究内容及技术路线 | 第12-14页 |
| 2 业务需求及数据基础 | 第14-19页 |
| 2.1 客票销售管理的业务 | 第14-15页 |
| 2.2 预测的业务需求 | 第15-17页 |
| 2.3 预测的数据基础 | 第17-19页 |
| 3 预测模型应用效果的影响因素分析 | 第19-38页 |
| 3.1 预测模型的选择 | 第19-25页 |
| 3.1.1 时间序列方法预测模型 | 第21页 |
| 3.1.2 PICK-UP方法预测模型 | 第21-25页 |
| 3.2 预测模型的实现与误差分析 | 第25-31页 |
| 3.2.1 预测模型的实现 | 第26-30页 |
| 3.2.2 预测模型的误差分析 | 第30-31页 |
| 3.3 预测效果影响因素的分析 | 第31-38页 |
| 4 面向预测模型选择及参数优化的机器学习算法 | 第38-56页 |
| 4.1 机器学习算法的对比 | 第38-43页 |
| 4.1.1 K-近邻算法 | 第39-40页 |
| 4.1.2 神经网络分类算法 | 第40-43页 |
| 4.2 解决方案 | 第43-44页 |
| 4.3 数据准备 | 第44-46页 |
| 4.4 K-近邻算法的设计及实现 | 第46-50页 |
| 4.4.1 输入数据的格式化 | 第46-47页 |
| 4.4.2 特征值矩阵的归一化 | 第47-48页 |
| 4.4.3 分类器的设计及实现 | 第48-49页 |
| 4.4.4 测试算法的设计及实现 | 第49-50页 |
| 4.5 神经网络算法的设计及实现 | 第50-56页 |
| 4.5.1 输入数据的预处理 | 第50-52页 |
| 4.5.2 数据结构的设计及实现 | 第52-53页 |
| 4.5.3 模型的设计及实现 | 第53-54页 |
| 4.5.4 测试算法的设计及实现 | 第54-56页 |
| 5 实证研究 | 第56-69页 |
| 5.1 实证过程及数据准备 | 第56-63页 |
| 5.1.1 实证过程 | 第56页 |
| 5.1.2 数据准备 | 第56-63页 |
| 5.2 实证结果 | 第63-67页 |
| 5.2.1 实证结果一 | 第63-64页 |
| 5.2.2 实证结果二 | 第64-65页 |
| 5.2.3 实证结果三 | 第65-67页 |
| 5.3 结论 | 第67-69页 |
| 6 总结及展望 | 第69-71页 |
| 6.1 论文的主要工作及成果 | 第69页 |
| 6.2 展望 | 第69-71页 |
| 参考文献 | 第71-74页 |
| 附录A | 第74-83页 |
| 附录B | 第83-84页 |
| 作者简历及攻读硕士学位期间取得的研究成果 | 第84-86页 |
| 学位论文数据集 | 第86页 |
