轨道交通自动售检票系统AFC数据分析

本文围绕轨道交通客流特征进行了比较系统的研究工作，以南京轨道交通2号线AFC系统数据为实例，运用统计分析和简单的数据挖掘方法进行了客流分析，以期对轨道交通客流现状的更好的了解，以下是本文的分析结果：2号线客流OD矩阵、O点主流向、关键OD对、线路全天客流分析、线路站点客流分析、线路断面客流分析。
关键词：城市轨道交通，AFC系统，数据分析，客流特征5384
毕业设计说明书（论文）外文摘要
Title   Data Analysis of The Automatic Fare Collection System (AFC) of Rail Transport
Abstract
This paper focuses on the study of characteristics of passenger flow of rail transit In order to get a better understanding of the passenger flow of rail transit, the data from Nanjing rail transit AFC system of line 2 is used to be the example for the analysis of passenger flow by using the statistical analysis and data mining, the following are the results of this analysis: OD matrix of passenger flow, the mainstream of O, the key OD, the analysis of passenger flow of one line, the analysis of passenger flow of one site and the analysis of the largest passenger flow of one line.
Keywords Urban rail transit AFC systems data analysis traffic Characteristics
目次
1.   绪论   1
1.1   课题研究背景   2
1.2   国内外研究现状   4
1.3   课题研究内容及技术路线   5
2.   轨道交通AFC系统及其数据模型   7
2.1   轨道交通AFC系统的组成   8
2.2   轨道交通AFC系统的数据结构   9
3.   数据分析方法   11
3.1   数据仓库   11
3.2   数据挖掘   14
4.   轨道交通AFC数据处理方法   17
4.1   轨道交通自动售检票系统数据需求分析   17
4.2   数据准备   20
5.   轨道交通AFC系统数据分析实例   22
5.1   基于IC卡数据的OD信息处理   22
5.2   线路全天客流量分析   28
5.3   线路站点客流量分析   29
5.4   线路断面客流分析   31
6.   总结与评价   31
致谢   33
参考文献   34
1.      绪论
随着21世纪人类迈入“信息爆炸时代”[1]，信息和知识呈现出爆炸性增长。滚滚而来的各类信息大大超过了人们的处理能力和有效应用的需要。大量无关的、没用的冗余信息保存在计算机文件和数据库中，严重干扰了受访者对相关有用信息的准确分辨和正确选择。
目前的数据库技术虽然可以实现数据的查询、统计等功能，但却无法发现数据中存在的关系和规则，无法根据现有的数据预测未来的发展趋势，大量的数据似乎使人坠入茫茫数据的汪洋大海之中，不知哪儿是边缘，哪儿是尽头，有用和无用的数据常常掺杂在一起，难以分辨，以至于出现了“数据爆炸而知识贫乏”的现象[2][3]。
因此数据库知识发现[4] (Knowledge Discovery in Databases，KDD)及其核心技术—数据挖掘[5][6](Data Mining， DM)应运而生。数据挖掘是指通过采用自动或半自动的手段，从大量的、不完全的、有噪声的、模糊的、随机的数据中，提取隐含在其中的、人们事先不知道的、但又是潜在有用的信息和知识的过程。发现知识的方法可以是数学的，也可以是非数学的;可以是演绎的，也可以是归纳的。挖掘出的知识可以被用于信息管理、查询优化、决策支持、过程控制等，还可以用于数据自身的文护。因此，数据挖掘是一门交叉学科，涉及人工智能技术，统计技术与数据库技术等多种技术[7][8]。轨道交通自动售检票系统AFC数据分析:http://www.youerw.com/zidonghua/lunwen_2395.html