| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7页 |
| 1 绪论 | 第11-19页 |
| 1.1 研究背景与意义 | 第11-12页 |
| 1.2 研究目的与内容 | 第12-13页 |
| 1.2.1 研究目的 | 第12-13页 |
| 1.2.2 研究内容 | 第13页 |
| 1.3 国内外研究现状 | 第13-16页 |
| 1.3.1 铁路事故致因分析 | 第13-14页 |
| 1.3.2 铁路事故风险分析 | 第14-15页 |
| 1.3.3 铁路事故预测研究 | 第15-16页 |
| 1.4 本文框架 | 第16-19页 |
| 2 基于数据驱动的相关方法 | 第19-30页 |
| 2.1 数据获取技术 | 第19-20页 |
| 2.1.1 数据来源 | 第19-20页 |
| 2.1.2 Requests in Python技术原理 | 第20页 |
| 2.2 数据库存取和检索技术 | 第20-22页 |
| 2.2.1 技术选型 | 第20-21页 |
| 2.2.2 Elastic Search技术原理 | 第21页 |
| 2.2.3 Cassandra技术原理 | 第21-22页 |
| 2.3 数据清洗和处理 | 第22-24页 |
| 2.3.1 主成分分析特点 | 第22-23页 |
| 2.3.2 主成分分析的数学定义 | 第23-24页 |
| 2.4 数据分析技术 | 第24-29页 |
| 2.4.1 支持向量机原理 | 第24-26页 |
| 2.4.2 深度学习原理 | 第26-29页 |
| 2.5 小结 | 第29-30页 |
| 3 面向不确定数据的完全支持向量机模型 | 第30-44页 |
| 3.1 数据简介 | 第30-33页 |
| 3.2 模型建立 | 第33-38页 |
| 3.2.1 数据预处理 | 第33-34页 |
| 3.2.2 特征提取 | 第34-36页 |
| 3.2.3 模型训练 | 第36-38页 |
| 3.3 计算实验 | 第38-42页 |
| 3.3.1 训练模型 | 第38-39页 |
| 3.3.2 预测结果 | 第39-42页 |
| 3.4 小结 | 第42-44页 |
| 4 面向文本数据的深度学习模型 | 第44-54页 |
| 4.1 模型建立 | 第44-46页 |
| 4.1.1 模型结构 | 第44-45页 |
| 4.1.2 输入层 | 第45页 |
| 4.1.3 卷积层 | 第45-46页 |
| 4.1.4 池化层 | 第46页 |
| 4.1.5 输出层 | 第46页 |
| 4.2 不确定数据的改进模型 | 第46-48页 |
| 4.2.1 卷积层改进 | 第47页 |
| 4.2.2 池化层改进 | 第47-48页 |
| 4.3 数据实验 | 第48-53页 |
| 4.3.1 数据简介 | 第48页 |
| 4.3.2 模型训练和参数调整 | 第48-51页 |
| 4.3.3 实验结果 | 第51-53页 |
| 4.4 小结 | 第53-54页 |
| 5 铁路事故数据处理框架 | 第54-62页 |
| 5.1 框架结构 | 第54-57页 |
| 5.1.1 技术体系 | 第54-55页 |
| 5.1.2 框架结构 | 第55-57页 |
| 5.1.3 工作流程 | 第57页 |
| 5.2 框架对比 | 第57-61页 |
| 5.2.1 结构对比 | 第58-59页 |
| 5.2.2 性能对比 | 第59页 |
| 5.2.3 运算结果对比 | 第59-61页 |
| 5.3 小结 | 第61-62页 |
| 6 总结与展望 | 第62-64页 |
| 6.1 研究总结 | 第62页 |
| 6.2 展望 | 第62-64页 |
| 参考文献 | 第64-68页 |
| 作者简历及攻读硕士/博士学位期间取得的研究成果 | 第68-70页 |
| 学位论文数据集 | 第70页 |