基于图模式关联分析的铁路旅客同行预测方法研究及应用

摘要

随着铁路交通运输技术的不断发展和铁路网建设的逐步完善，人们通过铁路出行的次数不断增加，其中共同出行(以下简称同行)的行为也越来越明显，如与同事一起出差，与朋友一起旅游等。旅客个体间的这种同行关系随着时间的推移建立起了旅客的同行关系网络。对旅客间潜在的同行关系进行预测，不仅有助于客运、旅游等相关行业为同行旅客提供个性化的服务和推荐，进而提高旅客满意度，还可以用于支持客运行业的市场决策。　　基于以上，本文提出在旅客同行关系网络的视角下，利用经典数据挖掘方法“关联分析”来预测铁路旅客间的同行关系。为此，本文首先将在旅客同行关系网络中预测旅客同行关系抽象化为链接预测问题，研究了基于图模式关联分析的技术，主要包含图模式关联规则(Graph PatternAssociation Rules，GPARs)挖掘、图模式关联规则评价及图模式关联分析，实验结果表明该技术可高效且准确地完成链接预测工作；然后，本文结合铁路旅客间同行行为的特征，将基于图模式关联分析的技术进行扩展，提出了同行图模式关联规则x-CGPARs和y-CGPARs，其中x-CGPARs用于预测新出现的同行关系，y-CGPARs用于预测已存在的同行关系的变化，并将其应用于铁路旅客同行关系网络中开展对旅客同行关系的预测。实验结果显示本文所提方法在预测旅客同行关系时准确率均值达0.797，而传统链接预测方法Jaccard的准确率仅有0.390。虽然Jaccard方法的召回率略高于本文所提出的方法，但本文提出的y-CGPARs能够对已有同行历史的旅客，预测其未来同行次数的变化，这是传统链接预测方法无法完成的。由此可见，本文提出的方法能够准确且全面地预测旅客同行关系网络中潜在的同行关系。最后本文从铁路旅客精准出行推荐、重点旅客提前识别、换座方案提前制定及合伙犯罪提前预警四个方面分析了本文所提方法的应用场景，进一步阐明方法的应用价值及管理意义。

目录

声明

第一章 绪论

1.1 研究背景

1.2 研究目的及意义

1.2.1 研究目的

1.2.2 研究意义

1.3 研究内容

1.4 研究方法及技术路线

1.4.1 研究方法

1.4.2 研究技术路线

1.5 研究创新

1.6 章节内容安排

第二章文献综述

2.1 旅客同行关系预测

2.1.1 同行关系预测

2.1.2 同行关系网络

2.2 关联分析

2.2.1 传统关联分析

2.2.2 基于图模式的关联分析

2.3 本章小结

第三章 基于图模式的关联分析

3.1 基本概念及定义

3.2 图模式关联规则

3.3 图模式关联规则的挖掘

3.3.1 支持度与置信度

3.3.2 分布式频繁模式挖掘

3.3.3 分布式图结构与分布式挖掘框架

3.3.4 算法设计思路

3.3.5 相关概念介绍

3.3.6 分布式频繁图模式挖掘算法具体设计

3.3.7 图模式关联规则生成

3.4 图模式关联分析

3.5 复杂度分析

3.5.1 时间复杂度

3.5.2 空间复杂度

3.6 算法模型实验

3.6.1 数据准备

3.6.2 实验设计

3.6.3 模型运算效率实验

3.6.4 模型预测精度实验

3.7 本章小结

第四章 铁路旅客同行关系预测

4.1 旅客同行关系网络

4.1.1 旅客同行关系网络定义及特点

4.1.2 旅客同行关系网络构建方法

4.2 旅客同行模式和旅客同行关联规则

4.2.1 旅客同行图模式

4.2.2 旅客同行图模式关联规则

4.3 铁路旅客同行关系预测

4.3.1 总体流程设计

4.3.2 数据预处理

4.3.3 旅客同行关系网络构建

4.3.4 旅客同行关系预测

4.3.5 旅客同行关系预测检验

4.4 优势与劣势分析

4.5 本章小节

第五章方法应用场景分析

5.1 精准出行推荐

5.2 重点旅客提前识别

5.3 换座方案提前制定

5.4 合伙犯罪提前预警

5.5 本章小结

结论与展望

致 谢

参考文献

攻读硕士学位期间发表的论文及科研成果