聚類分析與分類分析在軌道交通系統(tǒng)中的應用.pdf

1、近年來,隨著軌道交通的長足發(fā)展,大規(guī)模運營數(shù)據(jù)沉積在軌道交通AFC中央數(shù)據(jù)庫中。在對軌道交通數(shù)據(jù)進行科學處理時,往往會因為其具有規(guī)模大、特征復雜等特點,使得理解、分析這些數(shù)據(jù),并從中獲取知識變得十分困難。對于這些數(shù)據(jù),軌道交通決策者已經(jīng)不滿足于傳統(tǒng)的查詢、統(tǒng)計分析手段,而需要發(fā)現(xiàn)更深層次的規(guī)律,對軌道交通決策或日常運營工作提供更有效的決策支持。由此數(shù)據(jù)挖掘和聯(lián)機分析處理勢在必行。
　　本文以分類和聚類算法為主要研究對象,描述了算法

2、的基本理論及其應用。在傳統(tǒng)聚類、分類算法的基礎(chǔ)上,主要研究適合軌道交通運營數(shù)據(jù)的分類和聚類的理論及其發(fā)展過程;以及使用決策樹、時間序列、劃分聚類等技術(shù)解決軌道交通AFC運營數(shù)據(jù)中的大規(guī)模知識發(fā)現(xiàn)問題。根據(jù)當前較新的期望最大化算法和C4.5算法,結(jié)合軌道交通自動售檢票運營數(shù)據(jù)中的時間序列,對軌道交通AFC中央數(shù)據(jù)庫沉淀的歷史數(shù)據(jù)進行數(shù)據(jù)描述與挖掘分類,從中發(fā)現(xiàn)日常運營過程中隱含的固有模式。通過相關(guān)性分析,提出了基于序列分析的期望最大化聚類

3、算法和決策樹分類算法。結(jié)合軌道交通運營數(shù)據(jù)的序列性特點,這兩個算法不僅能夠解決傳統(tǒng)挖掘算法具有的局部收斂與效率低下等諸多問題,更加適合于高維、大規(guī)模軌道交通運營數(shù)據(jù)的分析。
　　因此本文研究成果對大規(guī)模的軌道交通運營數(shù)據(jù)進行的分析一定會產(chǎn)生積極的促進作用。同時,本文在分析軌道交通售檢票系統(tǒng)運營數(shù)據(jù)庫歷史沉積數(shù)據(jù)的基礎(chǔ)上,運用數(shù)據(jù)倉庫等相關(guān)技術(shù),設計和實現(xiàn)了基于多維立方體、數(shù)據(jù)挖掘及聯(lián)機分析處理的決策支持系統(tǒng)。從而為提供準確、高效的