基于客流大数据的列车开行方案辅助决策技术研究
| 摘要 | 第6-7页 |
| Abstract | 第7-8页 |
| 第1章 绪论 | 第12-16页 |
| 1.1 研究背景及意义 | 第12-13页 |
| 1.1.1 研究背景 | 第12页 |
| 1.1.2 课题意义 | 第12-13页 |
| 1.2 国内外研究现状 | 第13-15页 |
| 1.2.1 铁路列车开行方案研究现状 | 第13-14页 |
| 1.2.2 铁路大数据应用研究现状 | 第14-15页 |
| 1.3 主要研究内容及结构 | 第15-16页 |
| 1.3.1 主要研究目标及研究内容 | 第15页 |
| 1.3.2 论文组织框架 | 第15-16页 |
| 第2章 铁路列车开行方案及大数据相关技术基础 | 第16-28页 |
| 2.1 铁路开行方案概述 | 第16-22页 |
| 2.1.1 铁路列车开行方案基本定义及意义 | 第16页 |
| 2.1.2 铁路开行方案主要内容 | 第16-18页 |
| 2.1.3 铁路开行方案影响因素 | 第18-20页 |
| 2.1.4 铁路开行方案编制基本流程 | 第20-22页 |
| 2.2 大数据相关研究技术 | 第22-27页 |
| 2.2.1 大数据基础简述 | 第22-23页 |
| 2.2.2 数据分析与机器学习 | 第23-25页 |
| 2.2.3 数据分析与数据可视化 | 第25-26页 |
| 2.2.4 大数据处理框架 | 第26-27页 |
| 2.3 大数据在铁路开行方案辅助决策中的应用 | 第27页 |
| 2.4 本章小结 | 第27-28页 |
| 第3章 数据可视化技术在客流分析中的应用 | 第28-38页 |
| 3.1 可视化工具的选择 | 第28页 |
| 3.2 客流可视化实现流程及要点 | 第28-30页 |
| 3.3 客流数据可视化展示与分析 | 第30-37页 |
| 3.3.1 车站客流可视化展示与分析 | 第30-35页 |
| 3.3.2 OD客流可视化展示与分析 | 第35-37页 |
| 3.4 本章小结 | 第37-38页 |
| 第4章 基于大数据分析方法的铁路客流预测 | 第38-63页 |
| 4.1 铁路客流预测基本方法 | 第38-39页 |
| 4.2 基于梯度提升决策树GBRT的客流预测方法 | 第39-49页 |
| 4.2.1 梯度提升决策树模型概念 | 第39-41页 |
| 4.2.2 预测思路与流程 | 第41-43页 |
| 4.2.3 数据预处理及模型构建 | 第43-46页 |
| 4.2.4 参数实验结果分析 | 第46-49页 |
| 4.3 基于LSTM循环神经网络的客流预测方法 | 第49-58页 |
| 4.3.1 LSTM循环神经网络概念 | 第49-52页 |
| 4.3.2 预测思路与流程 | 第52-53页 |
| 4.3.3 数据预处理及模型构建 | 第53-55页 |
| 4.3.4 参数实验结果分析 | 第55-58页 |
| 4.4 综合结果对比及分析 | 第58-62页 |
| 4.4.1 模型在不同时段下的预测结果分析 | 第58-61页 |
| 4.4.2 模型整体评价及应用分析 | 第61-62页 |
| 4.5 本章小结 | 第62-63页 |
| 第5章 客流大数据开行方案辅助决策系统分析与设计 | 第63-75页 |
| 5.1 系统总体设计 | 第63-65页 |
| 5.1.1 系统设计目标 | 第63-64页 |
| 5.1.2 系统逻辑架构及功能结构 | 第64-65页 |
| 5.2 系统模块设计及关键技术分析 | 第65-74页 |
| 5.2.1 数据存储及管理模块 | 第65-66页 |
| 5.2.2 数据查询及处理模块 | 第66-67页 |
| 5.2.3 数据可视化模块 | 第67-69页 |
| 5.2.4 客流数据预测模块 | 第69-71页 |
| 5.2.5 开行方案辅助决策模块 | 第71-74页 |
| 5.3 本章小结 | 第74-75页 |
| 结论与展望 | 第75-77页 |
| 1.主要工作与研究结论 | 第75页 |
| 2.研究不足与展望 | 第75-77页 |
| 致谢 | 第77-78页 |
| 参考文献 | 第78-82页 |
| 攻读硕士学位期间发表的论文及科研成果 | 第82页 |
