| 摘要 | 第4-5页 |
| abstract | 第5页 |
| 第1章 绪论 | 第10-18页 |
| 1.1 研究背景及意义 | 第10-12页 |
| 1.1.1 研究背景 | 第10-11页 |
| 1.1.2 研究意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-14页 |
| 1.2.1 国外研究现状 | 第12-13页 |
| 1.2.2 国内研究现状 | 第13-14页 |
| 1.3 研究内容及思路 | 第14-18页 |
| 1.3.1 研究内容 | 第14-15页 |
| 1.3.2 研究思路 | 第15-18页 |
| 第2章 城市轨道交通安全隐患 | 第18-30页 |
| 2.1 隐患在安全生产中的定位 | 第18-21页 |
| 2.1.1 隐患位于事故金字塔的底端 | 第18-19页 |
| 2.1.2 隐患是事故链条的起始 | 第19-20页 |
| 2.1.3 隐患是企业安全管理的进一步延伸 | 第20-21页 |
| 2.2 城市轨道交通安全隐患的概念 | 第21-24页 |
| 2.2.1 城市轨道交通安全隐患的定义与特性 | 第22页 |
| 2.2.2 安全隐患与危险源关系 | 第22-24页 |
| 2.2.3 安全隐患与风险关系 | 第24页 |
| 2.3 城市轨道交通安全隐患库的建立 | 第24-29页 |
| 2.3.1 城市轨道交通安全隐患的分类 | 第24-25页 |
| 2.3.2 城市轨道交通的安全分析 | 第25-26页 |
| 2.3.3 城市轨道交通隐患库的建立流程 | 第26-29页 |
| 2.4 本章小结 | 第29-30页 |
| 第3章 城市轨道交通安全隐患的辨识方法 | 第30-40页 |
| 3.1 城市轨道交通企业安全隐患辨识的需求分析 | 第30-31页 |
| 3.1.1 技术需求分析 | 第30页 |
| 3.1.2 管理需求分析 | 第30-31页 |
| 3.2 信任云的可行性分析 | 第31页 |
| 3.3 基于信任云的城市交通隐患辨识 | 第31-38页 |
| 3.3.1 云概念 | 第31-32页 |
| 3.3.2 云发生器模型 | 第32-34页 |
| 3.3.3 安全隐患信任云相似度模型 | 第34-35页 |
| 3.3.4 示例说明 | 第35-38页 |
| 3.4 本章小结 | 第38-40页 |
| 第4章 基于隐马尔科夫模型的安全状态估计 | 第40-50页 |
| 4.1 隐马尔科夫链的方法研究 | 第40-43页 |
| 4.1.1 隐马尔科夫链的工作原理 | 第40-42页 |
| 4.1.2 隐马尔科夫链的基本问题 | 第42-43页 |
| 4.2 Baum-Welch算法估算安全状态模型 | 第43-45页 |
| 4.2.1 Baum-Welch算法估算安全状态模型 | 第43-44页 |
| 4.2.2 Baum-Welch算法主要步骤 | 第44-45页 |
| 4.3 隐马尔科夫链的计算与结果 | 第45-49页 |
| 4.3.1 隐马尔科夫链初始参数标定 | 第45-46页 |
| 4.3.2 隐马尔科夫链计算步骤 | 第46-47页 |
| 4.3.3 隐马尔科夫链结果分析 | 第47-49页 |
| 4.4 本章小结 | 第49-50页 |
| 第5章 基于LambdaMART的安全隐患排序测度 | 第50-60页 |
| 5.1 LambdaMART适用性分析 | 第50页 |
| 5.2 LambdaMART方法研究 | 第50-53页 |
| 5.2.1 MART算法 | 第51-52页 |
| 5.2.2 Lambda | 第52-53页 |
| 5.2.3 LambdaMART的优点缺点分析 | 第53页 |
| 5.3 基于LambdaMART的隐患重要程度排序模型 | 第53-54页 |
| 5.4 LambdaMART的计算与结果 | 第54-59页 |
| 5.4.1 安全隐患数据预处理 | 第54-56页 |
| 5.4.2 LambdaMART计算步骤 | 第56-57页 |
| 5.4.3 LambdaMART结果分析 | 第57-59页 |
| 5.5 本章小结 | 第59-60页 |
| 第6章 总结与展望 | 第60-62页 |
| 6.1 论文工作总结 | 第60-61页 |
| 6.2 研究展望 | 第61-62页 |
| 参考文献 | 第62-66页 |
| 附录 | 第66-70页 |
| 致谢 | 第70页 |
