基于机器学习的轨道交通安全综合评估模型研究

发布时间：2017-10-17 18:04

  本文关键词：基于机器学习的轨道交通安全综合评估模型研究

  更多相关文章： 轨道交通系统 安全评估 机器学习 中文分词 关联分析 支持向量机

【摘要】：近年来,轨道交通在我国飞速发展,在肩负起我国几大经济带和重点城市的运输任务的同时,轨道交通也面领着快速增长的客运量和安全保障方面更大的挑战。开展轨道交通安全状态评估的研究,对保护市民人身财产安全,促进城市发展,增强轨道交通自身的服务水平,预防及减少事故都有着重要的理论和现实意义。 在轨道交通安全信息中,对于非结构化数据如文本、图像、视频中,文本数据应用广泛,具有很高的挖掘价值。但是当前人工处理方式速度慢、发送量低、无法和结构化数据很好地融合。本文以此为切入点,通过对文本挖掘的关键技术进行研究,取得文本分析结果并形成安全词频指标,利用机器学习技术与传统的结构化数据形成的安全数据指标进行融合,从新的角度对轨道交通安全状态进行综合评估,为轨道交通管理部门提供一定的理论依据。主要研究工作如下： (1)对国内轨道交通安全信息进行调研,分析轨道交通安全信息特性。 (2)研究中文分词技术,并对于轨道交通安全信息中的文本数据挑选合适的方法和分词字典,通过轨道交通安全信息分词技术,形成基于文本数据的轨道交通安全词频指标。 (3)对于基于文本数据的轨道交通安全词频指标和基于字典数据的轨道交通安全数据指标,提出基于关联规则的指标融合算法,形成轨道交通安全评估指标。 (4)基于轨道交通安全评估指标,提出基于支持向量机的轨道交通安全综合评估方法,构建基于支持向量机的轨道交通安全综合评估模型。 (5)基于以上成果,采用Python对于各个算法进行实现,并构建轨道交通安全综合评估系统。
【关键词】：轨道交通系统 安全评估 机器学习 中文分词 关联分析 支持向量机
【学位授予单位】：北京交通大学
【学位级别】：硕士
【学位授予年份】：2014
【分类号】：U298
【目录】：

• 致谢5-6
• 中文摘要6-7
• ABSTRACT7-11
• 1 引言11-17
• 1.1 研究背景11-13
• 1.2 研究目标13-14
• 1.3 研究内容及技术路线14-17
• 1.3.1 研究内容14-15
• 1.3.2 研究技术路线15-17
• 2 相关理论及国内外研究现状17-33
• 2.1 国内外轨道交通安全评估发展现状17-23
• 2.1.1 国外轨道交通安全评估发展现状17-19
• 2.1.2 国内轨道交通安全评估发展现状19-23
• 2.2 机器学习发展现状23-29
• 2.2.1 支持向量机的相关研究24-26
• 2.2.2 关联规则算法相关研究26-28
• 2.2.3 机器学习在交通领域的相关研究应用28-29
• 2.3 自然语言处理发展现状29-32
• 2.3.1 自然语言处理发展历史30
• 2.3.2 中文分词研究现状30-31
• 2.3.3 汉语分词研究难点31-32
• 2.4 本章小结32-33
• 3 轨道交通安全信息特性分析及中文分词技术33-49
• 3.1 轨道交通安全信息调研33-35
• 3.2 轨道交通安全信息特性分析35-38
• 3.2.1 轨道交通信息分类35-37
• 3.2.2 轨道交通信息特性37-38
• 3.3 基于机器学习的轨道交通安全信息处理流程38-39
• 3.4 中文分词概述39-42
• 3.4.1 中文分词概念简介39-40
• 3.4.2 中文分词技术简介40-42
• 3.5 轨道交通安全信息分词42-47
• 3.5.1 HMM模型42-43
• 3.5.2 Viterbi算法43
• 3.5.3 轨道交通安全信息分词43-47
• 3.6 本章小结47-49
• 4 基于Apriori的轨道交通安全综合评估指标体系构建49-60
• 4.1 关联规则算法49-52
• 4.1.1 关联分析算法简介50-51
• 4.1.2 Apriori算法原理51-52
• 4.2 多维关联规则52-55
• 4.2.1 多层及多维关联规则算法52-53
• 4.2.2 轨道交通安全信息关联规则提取算法53-55
• 4.3 轨道交通的安全评估指标体系构建55-59
• 4.3.1 轨道交通安全词频指标55-57
• 4.3.2 轨道交通安全数据指标57
• 4.3.3 轨道交通安全指标融合57
• 4.3.4 轨道交通安全指标融合举例57-59
• 4.4 本章小结59-60
• 5 基于SVM的轨道交通安全评估算法研究60-72
• 5.1 统计学习基础理论60-64
• 5.1.1 经验风险最小化原则61-62
• 5.1.2 VC维62
• 5.1.3 推广性的界62-63
• 5.1.4 结构风险最小化63-64
• 5.2 支持向量机分类原理64-69
• 5.2.1 最优分类超平面65-67
• 5.2.2 广义最优分类面67-68
• 5.2.3 核函数68-69
• 5.3 基于SVM的轨道交通安全评估69-71
• 5.4 本章小结71-72
• 6 轨道交通安全信息处理及安全综合评估系统设计与研发72-81
• 6.1 需求分析72-75
• 6.1.1 数据来源72-73
• 6.1.2 系统功能需求73-74
• 6.1.3 系统其他需求74-75
• 6.2 系统设计75-80
• 6.2.1 逻辑结构设计75-76
• 6.2.2 物理结构设计76-77
• 6.2.3 功能结构设计77
• 6.2.4 数据库设计77-80
• 6.3 本章小结80-81
• 7 结论与展望81-83
• 7.1 主要结论81
• 7.2 进一步的工作81-83
• 参考文献83-87
• 作者简历87-89
• 学位论文数据集89

【参考文献】

中国期刊全文数据库 前8条

1 肖俊,吴飞,庄越挺,张引;基于支持向量机与细节层次的三维地形识别与检索[J];计算机辅助设计与图形学学报;2003年04期

2 夏国恩;曾绍华;金炜东;;支持向量回归机在铁路客运量时间序列预测中的应用[J];计算机应用研究;2006年10期

3 张华平,刘群;基于N-最短路径方法的中文词语粗分模型[J];中文信息学报;2002年05期

4 许晓斌,丁丰,林碧琴,袁保宗;基于K-MEANS算法的语境相关矢量量化[J];自动化学报;2000年03期

5 叶航军,白雪生,徐光yP;基于支持向量机的人脸姿态判定[J];清华大学学报(自然科学版);2003年01期

6 王景雷,吴景社,孙景生,齐学斌;支持向量机在地下水位预报中的应用研究[J];水利学报;2003年05期

7 李光东 ,国敢;中国铁路新一代分散自律调度集中系统(CTC)[J];铁路计算机应用;2004年03期

8 张利;张云飞;李晓敏;;自动监控系统在地铁环境控制中的应用[J];现代城市轨道交通;2009年06期

，

本文编号：1050259