發(fā)布時(shí)間：2020-04-09 07:09

【摘要】：為了更合理地提高鐵路客票收入,分配運(yùn)輸資源,管理部門會(huì)根據(jù)既有列車客票收入情況、開行情況、沿途車站發(fā)送旅客人數(shù)等因素形成一張收入決策表,依據(jù)此對(duì)新開行列車客票收入進(jìn)行預(yù)測(cè),這樣既可以更合理地為鐵路局下達(dá)下一階段的客運(yùn)收入指標(biāo),也為管理部門有效地進(jìn)行成本控制和客運(yùn)組織提供了保障。但是,隨著我國(guó)高速鐵路網(wǎng)絡(luò)建設(shè)的飛速發(fā)展,列車開行情況更加復(fù)雜多樣。面對(duì)新的形式,相關(guān)管理人員仍然憑借經(jīng)驗(yàn)或人工干預(yù)的方式對(duì)影響客票收入的因素進(jìn)行處理,再根據(jù)這些處理的結(jié)果對(duì)客票收入進(jìn)行預(yù)測(cè)。實(shí)踐證明,其結(jié)果已經(jīng)不能滿足預(yù)算工作的需要。目前,基于粗糙集理論方法的知識(shí)發(fā)現(xiàn)模型已被應(yīng)用于多個(gè)領(lǐng)域,并且取得了比較顯著的效果。但是,應(yīng)用于旅客列車客票收入知識(shí)發(fā)現(xiàn)和預(yù)測(cè)仍處于起步階段。由于影響鐵路客票收入的因素較多,數(shù)據(jù)類型復(fù)雜、具有非線性、高噪音等特征,因此,本文提出了一個(gè)基于粗糙集的客票收入知識(shí)發(fā)現(xiàn)和預(yù)測(cè)模型,利用其挖掘出客票收入知識(shí)背后潛在的規(guī)則,形成一套能夠?qū)�客票收入進(jìn)行有效預(yù)測(cè)的知識(shí)發(fā)現(xiàn)模型系統(tǒng),在理論和實(shí)際應(yīng)用方面都具有重要意義。本文將列車整體和沿途各站客票收入作為研究對(duì)象,在模型中構(gòu)建了數(shù)據(jù)預(yù)處理、基于粗糙集的知識(shí)發(fā)現(xiàn)、收入預(yù)測(cè)等三個(gè)模塊。在第一個(gè)模塊中,針對(duì)客票收入知識(shí)發(fā)現(xiàn)的數(shù)據(jù)特點(diǎn),提出了一種“K-means-CACC”算法對(duì)目標(biāo)變量進(jìn)行離散化處理,此算法避免了非監(jiān)督離散化方法忽略數(shù)據(jù)分布信息、區(qū)間邊界確定不具有代表性等缺點(diǎn)。在第二個(gè)模塊中,基于粗糙集理論方法計(jì)算條件屬性對(duì)決策屬性的依賴程度,采用基于核屬性的啟發(fā)式約簡(jiǎn)算法將初始決策表中的冗余屬性進(jìn)行約簡(jiǎn);采用隨機(jī)森林算法構(gòu)建客票收入知識(shí)發(fā)現(xiàn)規(guī)則,此方法避免了關(guān)聯(lián)分析方法無法計(jì)算出規(guī)則和產(chǎn)生矛盾規(guī)則的問題。最后,基于上述生成的知識(shí)規(guī)則庫,本文提出了“粗糙集-集成學(xué)習(xí)”模型對(duì)客票收入進(jìn)行預(yù)測(cè),此模型將深度神經(jīng)網(wǎng)絡(luò)長(zhǎng)短期記憶法LSTM(Long short-term Memory)、XGBoost(Extreme Gradient Boosting)算法和基于誤差區(qū)間交集的目標(biāo)選取算法作為個(gè)體學(xué)習(xí)器分別進(jìn)行收入預(yù)測(cè),再按照Stacking集成算法進(jìn)行融合。在論文的最后,針對(duì)各模塊中提出和利用的方法,依據(jù)實(shí)際客票營(yíng)銷數(shù)據(jù)進(jìn)行了有效性驗(yàn)證。驗(yàn)證結(jié)果表明,上述方法能夠有效地形成簡(jiǎn)明、易于理解的決策表并且較現(xiàn)行方法能夠更精確地對(duì)客票收入進(jìn)行預(yù)測(cè)。
【圖文】：

RXxUxXR| （公式 2-3 所示，邊界域可以定義為： BNXRXRXR （域表示論域邊界的不確定域，即不能確定屬于邊界域的那些元素被確切地 或 X 的補(bǔ)集�？梢砸�申出正負(fù)區(qū)域的概念，如公式 2-4 所示，正區(qū)域可以被定義為： POSXRXR （示知識(shí)能完全屬于集合 X 。式 2-5 所示，負(fù)區(qū)域可以被定義為： NEGXURXR （示知識(shí)不確定屬于集合 。，，X 為U 的子集，即 X U，根據(jù)R 的描述來劃分集合 X 。設(shè) Rx 表示包價(jià)類，其中 x為論域U 元素。當(dāng) RXRX 時(shí)，就稱 X 就是粗糙的。

圖 2-2 基于粗糙集理論方法的知識(shí)發(fā)現(xiàn)過程Figure 2-2 Knowledge Discovery Process Based on Rough Set Theory準(zhǔn)備和預(yù)處理據(jù)準(zhǔn)備是指用戶在數(shù)據(jù)準(zhǔn)備階段根據(jù)業(yè)務(wù)需求抽取數(shù)據(jù)，形成待處理數(shù)是指消除待處理數(shù)據(jù)中的冗余，錯(cuò)誤，噪聲，重復(fù)等數(shù)據(jù)。對(duì)于本文討論集理論方法的要求，需要將連續(xù)性數(shù)據(jù)通過相關(guān)算法轉(zhuǎn)化為離散型數(shù)據(jù)化決策表過數(shù)據(jù)準(zhǔn)備和預(yù)處理，根據(jù)業(yè)務(wù)需求，在數(shù)據(jù)表中定義條件屬性和決策）構(gòu)成初始決策表。在表中，決策屬性是知識(shí)發(fā)現(xiàn)的目標(biāo)，條件屬性是對(duì)決策屬性產(chǎn)生影響的因素。定性度量量自然現(xiàn)象的不確定性程度稱為不確定性度量。如前面論述的一樣，粗能夠處理具有不精確和不確定性問題的數(shù)學(xué)工具。如何度量利用粗糙集
【學(xué)位授予單位】：中國(guó)鐵道科學(xué)研究院
【學(xué)位級(jí)別】：博士
【學(xué)位授予年份】：2018
【分類號(hào)】：U293.22

【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 蘇志達(dá);祝躍飛;劉龍;;基于深度學(xué)習(xí)的安卓惡意應(yīng)用檢測(cè)[J];計(jì)算機(jī)應(yīng)用;2017年06期

2 韋曉路;徐寬;;基于非相關(guān)發(fā)明專利文獻(xiàn)的潛在知識(shí)關(guān)聯(lián)分析研究述評(píng)[J];圖書館學(xué)研究;2015年10期

3 張鈺莎;蔣盛益;;連續(xù)屬性離散化算法研究綜述[J];計(jì)算機(jī)應(yīng)用與軟件;2014年08期

4 李海霞;;基于可變精度粗糙集模型的有導(dǎo)師機(jī)器學(xué)習(xí)[J];東莞理工學(xué)院學(xué)報(bào);2014年03期

5 李曉龍;張兆翔;王蘊(yùn)紅;劉慶杰;;深度學(xué)習(xí)在航拍場(chǎng)景分類中的應(yīng)用[J];計(jì)算機(jī)科學(xué)與探索;2014年03期

6 何超;張玉峰;;基于語義關(guān)聯(lián)分析的商務(wù)情報(bào)分析算法研究[J];情報(bào)雜志;2013年04期

7 張建華;祁力鈞;冀榮華;王虎;黃士凱;王沛;;基于粗糙集和BP神經(jīng)網(wǎng)絡(luò)的棉花病害識(shí)別[J];農(nóng)業(yè)工程學(xué)報(bào);2012年07期

8 王翰釗;李景文;;基于神經(jīng)網(wǎng)絡(luò)知識(shí)發(fā)現(xiàn)的GIS決策支持系統(tǒng)[J];測(cè)繪與空間地理信息;2012年02期

9 李明;劉魯;苗蕊;朱延秋;;基于貝葉斯信念網(wǎng)絡(luò)的多案例庫檢索方法[J];北京工業(yè)大學(xué)學(xué)報(bào);2012年01期

10 高爽;冬雷;高陽;廖曉鐘;;基于粗糙集理論的中長(zhǎng)期風(fēng)速預(yù)測(cè)[J];中國(guó)電機(jī)工程學(xué)報(bào);2012年01期

本文編號(hào)：2620460