鐵路編組站數(shù)據(jù)挖掘及應(yīng)用研究.pdf

1、鐵路編組站是鐵路網(wǎng)上集中辦理貨物列車到達(dá)、解體、編組出發(fā)、直通和其它列車作業(yè)，并為此設(shè)有比較完善的調(diào)車作業(yè)的車站。隨著計算機技術(shù)的發(fā)展，鐵路運輸管理信息系統(tǒng)(Transportation Management Information System簡稱TMIS)的實現(xiàn)，業(yè)務(wù)數(shù)據(jù)量日趨龐大，在這些海量數(shù)據(jù)中隱藏著有價值的關(guān)系和規(guī)則，分析這些數(shù)據(jù)也不再是單純?yōu)榱搜芯康男枰?，更主要的是給鐵路相關(guān)管理部門提供智能輔助決策信息，來為鐵路營銷和安全運

2、輸服務(wù)。本文將數(shù)據(jù)挖掘技術(shù)引入到鐵路編組站中的客戶細(xì)分和安全風(fēng)險預(yù)警系統(tǒng)中，主要研究工作如下：
　　（1）提出了一種改進(jìn)的K-means算法。針對傳統(tǒng)的基于距離識別孤立點的K-means算法中無法處理密度不均勻的數(shù)據(jù)集局部特征的缺點進(jìn)行了改進(jìn)，提出了使用距離均和識別孤立點，并引入方差對孤立點進(jìn)行判斷處理。通過實驗驗證，改進(jìn)后的K-means算法有效避免了將孤立點全部拋棄的盲目性，有效降低了總體平方誤差，把相同特質(zhì)的數(shù)據(jù)劃為一個簇內(nèi)

3、，提高了聚類的精確度。將改進(jìn)后的K-means算法，應(yīng)用到鐵路客戶細(xì)分領(lǐng)域，使得聚類結(jié)果更為精確，從多維的角度較為全面、深入地細(xì)分客戶消費行為特征。
　?。?）對 Apriori算法進(jìn)行優(yōu)化，通過降低掃描數(shù)據(jù)庫的次數(shù)和減少候選集數(shù)目，提高算法效率。本文將優(yōu)化后的Apriori算法應(yīng)用到鐵路編組站安全風(fēng)險預(yù)警系統(tǒng)中。通過對違章發(fā)牌歷史數(shù)據(jù)的挖掘，找出車間、崗位、班次等數(shù)據(jù)項之間關(guān)聯(lián)性規(guī)則，總結(jié)現(xiàn)場職工違章行為的規(guī)律性，為鐵路安全運輸