一、自组织人工神经网络在民航旅客盈利能力细分中的应用（论文文献综述）
吴虹颖[1]（2021）在《基于改进SOM的银行客户细分研究》文中进行了进一步梳理随着经济的高速发展和科学技术的不断进步,银行业的竞争日益激烈。其竞争点由过去的“以产品为中心”逐渐转变为“以客户为中心”,为更好满足用户需求,提供更好的用户体验成为银行发展的关键,此时客户细分变得尤为重要。然而,银行客户数据复杂且庞大,如何选择符合实际情况的细分模型,对数量庞大的银行客户进行有效准确的划分,挖掘出客户的潜在需求,并在正确的时间向正确的顾客销售正确的产品,这些已成为银行业研究的重点问题。由于银行客户数据高维且数据量庞大存在噪声数据等特点,本文提出一种改进聚类算法SOM-Kmedoids-CH进行客户细分。主要研究内容如下:（1）自组织神经网络（SOM）对大样本数据处理效果较好,但学习速率的选择在很大程度上影响了SOM神经网络的聚类效果。当学习速率较大时,权重向量会反复振荡更新,造成学习稳定性下降。当学习率逐渐靠近0时,虽然网络的学习稳定性得到提升,但是网络的收敛速度却会降低。针对这一问题,本文将学习速率设置为关于时间t的单调递减函数,这样能保证在训练刚开始时以较快的速度对模型进行学习,在训练即将结束时,学习速率趋近于0,保证模型训练的稳定性。进而提升算法聚类的效率。（2）考虑到细分技术未来的发展趋势是将不同算法的优点进行结合,本文将改进的SOM神经网络与快速K中心点算法进行结合,同时用CH指标判断最佳聚类个数。首先利用改进后的SOM神经网络训练样本数据输出原型向量,这时的输出量比原始样本数据量小很多且保持原拓扑结构不变,以SOM输出的原型向量作为快速K中心点的输入进行聚类,同时用CH指标对每次聚类结果进行评价,选取对应CH值最高的K值为最佳聚类中心。此方法解决了传统SOM算法收敛时间较长和快速K中心点人为确定聚类个数的盲目性以及对噪声数据不敏感的问题。本文首先利用UCI数据集对改进SOM的收敛速度进行测试,然后对CH指标有效性进行验证,然后对本文算法以及其他算法进行测试和比较分析。从实验结果来看,改进SOM收敛速率要快于传统SOM,CH指标能够准确判断最佳聚类个数。从运行时间、分类正确率和最佳聚类数目的判定是否有效三方面来看,本文算法优于其他聚类算法。然后本文以Kaggle官网桑坦德（Standard）银行客户数据为样本,利用改进的SOM-Kmedoids-CH聚类算法进行建模,将银行客户划分为四大类,对客户进行聚类评析,并针对不同类型银行客户群体提供相应的意见和建议。
程博[2]（2020）在《基于深度强化学习的停机位分配算法研究》文中研究表明在机场日常运行中,停机位是最为核心的资源之一。然而,机场建设的速度远远赶不上航班数量的增加,常规的停机位分配方案越来越难以满足机场需求。机场停机位分配结果的好坏直接关系到航空运输系统各方的利益。好的停机位分配方案可以减少机场管理方面的日常调度成本和飞机维护成本;可以降低机场运行时的风险因素;也可以提高乘客的出行舒适度和满意度。一些不经济、不合理的分配方案一旦投入使用就可能会导致机场与旅客、机场与航司之间的不理解,甚至产生矛盾。因此,机场停机位分配算法的研究能够为机场运营方提供高质量的停机位分配方案,具有重要的应用价值。本论文的主要工作有:一、对国内某机场的实际运行情况进行分析研究,确认导致机场停机位分配结果鲁棒性不足的原因主要有两点:一是在分配停机位时对于同一机位的接续航班之间没有预留足够的间隔时间叠加大量延迟起飞的飞机。二是机场在安排停机位时考虑不周,导致一旦停机时间过长就需要调换停机位。这也是为什么在半年的时间跨度中,对于停机时间小于4小时的飞机,机位调整率只有约千分之一。二、分析了机场运行状况后,针对目前呈现出的问题,建立了一种较为完备的停机位分配问题模型,在综合考虑各种常见的单优化目标的评价函数的基础上,提出了一种该机场实际情况的多目标优化的评价函数。通过对真实数据的模拟,在相同评价函数的基础上,该结果比人工结果在函数值和真实分配效果上有着同步提升。说明了该评价函数确实能比较好的拟合实际需求。三、在对深度学习和强化学习的进行了一些阐述之后,提出了一种基于深度强化学习的停机位分配算法,详细说明了该算法的运算过程。并将该算法同其他优化算法进行了比较。通过对真实数据的仿真模拟,该算法领先人工分配结果9.5%,领先粒子群优化算法、遗传算法5.3%,领先禁忌搜索算法3.2%。
曹晓雅[3]（2020）在《基于改进SOM神经网络的空中交通管理系统绩效评价研究》文中研究说明我国民航空中交通管理系统（简称“空管系统”）作为保障民航业的关键枢纽,一直受到有限空域资源与中国不断增大的航班量的影响,使得管理效率较低,服务品质不足等问题较为突出。为解决上述问题,就需要建立科学合理且有空管特色的绩效评价体系与评价方法,以明确现阶段我国空管系统绩效管理的优势与短板、借鉴国外空管系统的管理经验,从而达到优化中国空管系统管理模式的作用。由于空管系统本身是涉及三大系统的复杂系统,它的绩效评价研究势必不能采用传统的评价方法。本文基于神经网络可以处理繁杂高维的信息数据的特点,构建了一套基于因子分析的PSO-SOM神经网络的空管系统绩效评价方法。本文的研究过程主要有五个方面:一是界定研究对象范围,明确空管系统绩效内涵;二是选取空管系统绩效评价指标,根据系统管理理论与绩效棱柱法,建立了5个一级指标以及25个二级指标的绩效评价指标体系;三是构建基于P-SOM神经网络的绩效评价模型,提高传统模型的准确性与收敛速度,并用MATLAB软件设计模型算法程序;四是运用空管系统绩效评价模型,对包括中国在内的十个国家的空管系统进行绩效评价研究;五是结合评价结果进行多维度分析并给出相应建议。实证结果表明,运用该绩效评价模型能够较好地反映空管系统绩效水平,具有较强的可行性与准确性。中国空管系统处于所评价各国空管系统的中流水平,在财务绩效与社会贡献绩效方面居于前列,但在服务绩效与运营绩效方面仍有较大的发展空间。
马明宇[4]（2020）在《航空公司航线竞争博弈与机队运力分配仿真研究》文中研究表明随着航空业的蓬勃发展,航空公司的竞争也在加剧,机队作为航空公司的重要资源,其运力分配水平决定着航空公司的核心竞争力,这就意味着航空公司的机队规划是决定航空公司收益的重要前提。飞行安全则是保障航空公司机队规划的首要任务。在一般的运力分配模型中,通常仅考量航线需求量与自身运力水平,不仅忽视了竞争对手的作用也忽视了运行安全,基于此点,本论文选择航线博弈和运力分配作为研究课题,本文主要研究内容为:首先从航线需求量入手,通过BP神经网络预测航线在未来一段时间内的需求变化,并分析其适用性,其次通过对直接运营成本的子成本进行分析,针对其数据计算复杂且不易获得的特点,通过多元回归分析,构建了机型与“航线里程”和“轮挡小时”的函数方程。根据上述两种计算方式,作为输入值,并依据运行规范和运行手册对航线机队分配的要求,引入0-1决策变量,将定性的安全因素转化成定量的描述。建立了一个以航空公司利润值最大的多机型多航线的运力分配模型（传统型）,并针对分支定界法对处理大型整数规划问题寻优速度慢的缺点,以最大下界优先为原则对分支定界法进行改进,经过仿真数据分析,在传统型的分配模式下,机队运力会集中投放于高需求高竞争的航线上。为解决其弊端,研究航线市场竞争对市场份额的影响,并以博弈论对航空公司的行为进行分析,得到在博弈行为中,某一方航空公司通过改变航班频次是无法其增加其市场份额的结果,并相应的构建了竞争型航空公司的机队运力规划模型,进行求解,通过案例仿真分析,结果证明,在传统型机队分配方法中会在高需求高竞争的航线上产生大量的负收益。而采用竞争型机队运力分配方法则能有效避免运力在高竞争航线的过度集中。为进一步评估竞争型运力分配方法的有效性,设计了相应的评价指标和评价流程,航空公司可以根据其分配方案评估其安全性、经济性、竞争能力和资源限制条件,从而有方向性的调整运力结构,进一步优化运行效率。
武勇[5]（2019）在《大数据技术在大气监测中的应用研究》文中研究说明大气监测是对空气环境进行空间、时间的数据采集,在数据参数基准的确定下,对大气环境污染值进行衡量,为人们日常工作与生活提供基础保障。基于此,文章以大数据技术为出发点,对其在大气监测中的应用优势及实际应用形式进行研究。
张斌[6]（2019）在《铁路货运客户流失管理的理论与方法研究》文中指出随着国家供给侧结构性改革政策的逐步推进和当前货运行业日趋竞争激烈的市场格局,铁路货运行业面临着客户流失的风险,如何对货运流失客户进行高效管理是铁路货运营销部门需要长期面对的问题。本文运用数据挖掘技术对铁路海量货运客户数据进行挖掘分析,用于货运客户流失管理,并且从铁路货运行业实际需求出发,提出了货运客户细分、流失预测的研究方法,并在此基础上进行了货运流失客户挽留价值的研究,具有理论和实践意义。本文的主要研究工作包括:（一）结合铁路货运行业特征和铁路货运客户发货特征,提出了基于改进RFM模型的货运客户细分模型KFAV,该模型引入了货运客户发货周转量、货运客户发货倾向、货运客户货运贡献度等参数,具有较好的实践效果,并且针对传统k-means聚类算法具有聚类中心随机选择的缺点,提出了改进的k-means聚类算法,通过建立基于Hadoop的仿真平台,验证了KFAV模型良好的客户细分效果,并且证明了改进k-means算法的高效性,也验证了Hadoop平台在处理大数据方面的优越性。（二）在货运客户细分的基础上,结合铁路大宗货物和零散白货两大类货运客户的自身特点,分别提出了两类货运流失客户的识别方法,并建立了客户流失预测模型。对于铁路大宗货运客户,在KFAV模型的基础上,建立了基于货运客户价值分类的并行SVM客户流失预测方法;对于零散白货客户,引入了社会经济属性等参数建立货运客户流失预测模型,并针对预测模型参数特征,引入基于信息熵的连续属性离散化方法改进C4.5决策树作为货运客户流失预测模型的计算方法。分别对两类货运客户建立基于Hadoop的仿真环境,并对两类货运客户流失预测模型的准确性和预测能力进行了验证。（三）在货运客户细分和流失预测的基础上,提出了货运流失客户挽留价值模型的研究方法,该模型充分考虑了货运流失客户的未来潜力,挽留策略对流失客户的挽留效果以及挽留成本,通过设定阈值可以判断货运流失客户的挽留结果和挽留策略的执行效果,并且根据挽留价值可以设定流失客户的挽留优先级,通过实验也证明了对同一细分类别的货运流失客户制定有针对性的挽留策略效果更佳。
赖汪湾[7]（2018）在《民航业经济运行预警及管理机制研究》文中进行了进一步梳理民航业是我国国民经济的重要战略型产业,随着民航运输需求的日益增加,民航经济得到了快速的发展,民航经济已经成为我国国民经济的重要增长点。民航业经济运行的波动起伏直接关系到民航业能否健康、稳定的发展,这就需要全面分析民航业经济运行的发展趋势,通过引入预警管理的思想理论,建立民航业经济运行预警系统,科学把握民航业经济运行的动向,动态管理民航业经济运行状况,及时发现民航业经济运行过程中的潜在危险信号,为民航相关部门采取调控管理措施提供决策依据,从而保障民航业持续健康的发展。本文首先介绍了研究背景及意义、研究内容、研究方法以及可能的创新点等。在全面研究国内外关于经济运行预警以及交通运输领域监测预警的相关理论和研究成果之后,对民航业经济运行的现状、影响因素以及调控管理机制存在的问题进行系统分析,并且界定了民航业经济运行预警系统的内涵及特征。综合考虑民航业经济运行的特征,构建了民航业经济运行预警系统,并对其监测与预警两大功能的实现进行分别阐述。首先,为实现监测功能,本文从四个方面选取20个指标构成民航业经济运行监测指标体系,并用灰色关联分析法对其进行分类,通过计算扩散指数与合成指数,对2007-2016年民航业经济运行波动状况进行景气分析。其次是预警功能的实现,建立民航业经济运行预警信号,确定预警界限,运用信号灯图来直观描述民航业经济运行的冷热程度,并且通过BP神经网络模型来预测未来两年民航业经济运行的变化趋势,从而起到预警作用。最后建立了民航业经济运行预警管理机制来保障民航业经济运行预警系统的正常运行,并根据监测预警的结果,提出相应的预警管理措施。
宋娟[8]（2017）在《民航旅客订座规律分析及平行航班收益管理》文中提出随着国内经济的转型升级,民航运输保持良好发展态势,新成立的航空运输企业众多,业务规模迅速扩张。民航旅客订座规律研究是航空运输企业对生产资源合理配置、市场销售策略有效运用的基础。在盈利能力较高航线,航空公司争相投入运力,使得一家公司在同一航线常有多个航班供旅客选择,因此,对平行航班收益管理方法的研究有较强的实际意义。本文主要研究民航旅客订座规律及平行航班收益管理。首先,对实际工作中的航线管理方法进行分析与总结,提出了通过客座率在订座期内的变化对旅客订座规律进行分析的方法。其次运用模型具体分析民航旅客订座规律,采用决策树方法,将旅客订座期按时间的由远及近划分为四期,并分析了各期旅客订座分布、旅客订座数的占比等特点;运用ARIMA模型对最终客座率建立预测模型,并观察旅客订座水平的平稳性、季节性、与历史数据的关系;建立不同订座期订座数据与最终客座率的关系模型,分析其对最终客座率的影响差异。最后,提出基于客座率预测的平行航班分期收益管理方法。将ARIMA模型根据历史规律得到的客座率作为期望客座率,以订座期数据的NARX神经网络预测结果作为对比值,结合各订座期旅客订座规律,提出平行航班收益管理方法。
王振华[9]（2017）在《组合预测模型在航空客运量预测中的应用》文中进行了进一步梳理航空客运量的预测是航空客运计划工作的重要依据,航空公司在做出重大决策之前都要做运量预测,准确预测航空客运量是做出科学决策、编制可行计划或者发展战略的重要保障。近年来,中国航空客运实现了快速发展,运输能力和国际地位显着提升。准确预测航空客运量更显得尤为迫切和必要。然而,航空客运系统是一个非常复杂的系统,其影响因素较多且具有一定的不确定性,单项模型并不能完全反映运量的变化规律,而组合预测模型可以很好的克服这一缺点。因此使用组合预测模型来预测航空客运量,以提高预测精度。首先详细介绍了文中所用到模型的基本理论,并简要分析了各模型的适用条件。然后使用描述性统计分析的方法对我国民航业的发展现状和发展趋势进行了详细的分析,指出民航客运量时间序列是一个季节性波动明显,并存在一定增长趋势的非平稳时间序列。在此基础上采用季节性指数平滑模型、灰色预测模型和BP神经网络模型三个单项模型对2005年到2014年民航客运量月度数据进行拟合,并对2015年民航月度客运量出预测,通过对预测结果的分析比较,总结出了各模型的优缺点。之后将它们进行组合得到4个组合预测模型,并运用组合模型对2015年民航月度客运量做出预测,最后通过模型性能评价指标在多种组合模型中选出一个最适合,精度最高的模型,并通过该组合模型对未来一年我国民航月度客运量进行预测。将组合预测理论应用于客运量的预测中,建立了航空客运量的组合预测模型。通过实证分析证明了所采用的组合预测模型具有明显的优越性,其预测精度明显高于单项模型的预测精度。研究成果可以直接应用于民航客运量的短期预测,为民航业的发展战略与政策制定提供科学的依据,并为今后组合预测的进一步研究提供一定的借鉴。
赵素霞[10]（2017）在《机场建设规模的经济适应性理论与评价研究》文中研究说明随着社会经济的发展,机场对地区竞争力的提升作用日益凸显,此种作用的发挥使得机场逐渐成为地区社会经济发展的“瓶颈”。同时,在社会总资源约束下,民用机场的过度发展可能会产生两个问题:一是机场设施闲置,利用率低,导致资源浪费;二是将本可用于其他经济部门的资金用于投资机场,抑制其他部门的发展,产生“挤出”效应。民用机场既带有经营,又具有为地区公众服务的公益性,投资建设更多地考虑赢利性,无法达到社会的最佳需求水平。因而世界上大多数机场是由政府部门提供,而机场的地区分布、建设时机、投资规模等决策问题是政府决策所面临的复杂庞大的系统工程。本文针对机场建设规模研究与实践中存在的主要问题,以复杂系统理论、运输经济学理论、比较研究为指导思想,研究机场建设规模与社会经济发展相适应的理论与评价方法。希望研究成果对政府决策具有参考依据。综述了机场与社会经济发展的作用关系的研究成果,对比分析了我国机场建设存在的问题。从城市设施角度分析了机场所具有的公共投资角度的特点、准公共产品的特点和工程项目角度的特点。提出了机场建设规模经济适应性的概念,构建了机场-经济复合系统模型,深化了系统需求和供给的内涵,分析了机场建设规模与社会经济相适应的最佳状态时的条件。并从系统科学、经济学和综合运输的角度阐释了其内涵、特性和演化轨迹。以分析机场的市场成熟度、发展阶段和未来发展潜力为着力点,以概率神经网络为手段对目标机场进行分类,通过matlab程序运算,将全国46家4E级及以上机场划分为四种类型:发展基本趋于成熟稳定的机场、成长良好期的机场、快速成长期的机场和过度超前建设的机场,此研究结果为提升机场建设规模预测的可靠性、科学评价机场建设规模的经济适应性等后续研究奠定基础。构建了机场引力指标,并以断裂点理论、加权Voronoi图法、熵权法为研究工具,确定了机场-经济系统的研究边界。对现有机场航空业务需求预测方法进行了归纳与评价,分析了产生预测偏差的原因,并提出了改善偏差的对策。以资金资源的供给程度和航空业务需求的满足程度为目标函数的情况下,从投资者与使用者角度构建了经济适应性的机场建设规模的最优化模型,并以北京机场建设规模进行实例分析,采用步长搜索法和matlab编程求解,结果较为合理,具有一定的实用性。目前对机场建设规模是否与经济相适应的研究很少,缺乏统一规范的评价标准。本文通过对研究领域的交叉方向、成果方法和该领域专家的建议进行分析研究,提出了需求满足率、供给能力、经营效率三个角度的量化标准和相应的指标测算模型。利用模糊物元理论的评价模型和多目标格序决策的评价模型对机场建设规模的经济适应性进行比较评价,结果显示两种方法均能较好地实现在没有评价标准的情况下对机场建设规模经济适应性的评价。根据评价结果,对成都双流机场与京、沪、穗三大枢纽机场在逐个指标项目上进行对比分析。最后讨论了机场建设规模的经济适应性提升建议,为机场规划建设提供决策支持。
二、自组织人工神经网络在民航旅客盈利能力细分中的应用（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、自组织人工神经网络在民航旅客盈利能力细分中的应用（论文提纲范文）
（1）基于改进SOM的银行客户细分研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题研究背景 |
| 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 国内外研究现状 |
| 1.4 论文主要研究内容与结构安排 |
| 1.4.1 论文主要研究内容 |
| 1.4.2 论文结构安排 |
| 第2章 相关理论与技术介绍 |
| 2.1 客户细分相关理论与技术介绍 |
| 2.1.1 客户细分介绍 |
| 2.1.2 客户细分方法 |
| 2.1.3 客户细分流程 |
| 2.2 聚类分析相关理论与技术介绍 |
| 2.2.1 聚类分析的概念及流程 |
| 2.2.2 聚类分析的要求 |
| 2.2.3 聚类分析的度量 |
| 2.2.4 聚类算法的种类 |
| 2.3 本章小结 |
| 第3章 SOM和快速K中心点算法的研究 |
| 3.1 SOM神经网络分析及改进 |
| 3.1.1 SOM神经网络基本原理 |
| 3.1.2 SOM神经网络训练步骤 |
| 3.1.3 SOM算法优缺点 |
| 3.1.4 SOM学习速率的改进 |
| 3.1.5 改进SOM性能测试 |
| 3.2 快速K中心点算法 |
| 3.2.1 快速K中心点算法简介 |
| 3.2.2 快速K中心点算法步骤 |
| 3.2.3 快速K中心点算法优缺点 |
| 3.3 确定最佳聚类数的方法 |
| 3.4 基于改进的SOM-Kmedoids-CH混合聚类算法 |
| 3.4.1 算法思路 |
| 3.4.2 算法流程 |
| 3.4.3 性能测试 |
| 3.5 本章小结 |
| 第4章 基于SOM-Kmedoids-CH的银行客户细分建模 |
| 4.1 数据来源及数据预处理 |
| 4.1.1 数据来源 |
| 4.1.2 数据预处理 |
| 4.2 仿真实验 |
| 4.2.1 实验运行环境介绍 |
| 4.2.2 实验步骤 |
| 4.2.3 实验结果 |
| 4.3 客户聚类评析 |
| 4.3.1 客户聚类结果分析 |
| 4.3.2 针对银行客户的意见和建议 |
| 4.4 本章小结 |
| 第5章 总结与展望 |
| 5.1 本文总结 |
| 5.2 展望 |
| 致谢 |
| 参考文献 |
| 作者简介 |
| 攻读硕士学位期间研究成果 |
（2）基于深度强化学习的停机位分配算法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 停机位分配问题的研究现状 |
| 1.2.2 深度强化学习的研究现状 |
| 1.3 论文研究内容和创新点 |
| 1.4 章节安排 |
| 第2章 机场运行分析研究 |
| 2.1 机场构成 |
| 2.2 机场运行 |
| 2.3 国内某机场的运行数据分析 |
| 2.4 本章小结 |
| 第3章 机场停机位分配模型和评价函数 |
| 3.1 停机位分配流程 |
| 3.2 影响因素分析 |
| 3.2.1 涉及到安全的影响因素 |
| 3.2.2 其他相关影响因素 |
| 3.3 机场停机位预分配模型和常规优化目标 |
| 3.3.1 变量说明 |
| 3.3.2 约束条件 |
| 3.3.3 常见的优化目标 |
| 3.4 一种多目标规划的评价函数 |
| 3.4.1 多目标规划的评价函数 |
| 3.4.2 测试方法及结果 |
| 3.5 本章小结 |
| 第4章 基于深度强化学习的停机位分配算法 |
| 4.1 相关算法 |
| 4.1.1 深度学习 |
| 4.1.2 强化学习 |
| 4.2 基于深度强化学习的停机位分配算法 |
| 4.3 对比测试及结果分析 |
| 4.3.1 测试数据 |
| 4.3.2 对比说明 |
| 4.3.3 实验结果与分析 |
| 4.4 本章小结 |
| 第5章 总结与展望 |
| 5.1 研究总结 |
| 5.2 研究展望 |
| 参考文献 |
| 致谢 |
| 作者简历及攻读学位期间发表的学术论文与研究成果 |
（3）基于改进SOM神经网络的空中交通管理系统绩效评价研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.2 研究意义 |
| 1.3 文献综述 |
| 1.3.1 企业绩效评价研究现状 |
| 1.3.2 空管系统绩效评价研究现状 |
| 1.3.3 神经网络在评价领域的应用研究 |
| 1.3.4 启示 |
| 1.4 研究方法与技术路线 |
| 1.4.1 研究方法 |
| 1.4.2 研究内容 |
| 1.4.3 技术路线图 |
| 1.5 创新之处 |
| 第二章 相关理论 |
| 2.1 绩效管理理论 |
| 2.1.1 绩效管理 |
| 2.1.2 绩效评价 |
| 2.2 人工神经网络相关理论 |
| 2.2.1 人工神经网络原理 |
| 2.2.2 自组织特征映射(SOM)神经网络 |
| 2.3 因子分析相关理论 |
| 2.3.1 因子分析基本原理 |
| 2.3.2 因子分析的特点与应用 |
| 2.4 粒子群算法理论 |
| 2.4.1 基本原理 |
| 2.4.2 粒子群算法流程 |
| 2.5 本章小结 |
| 第三章 构建空管系统绩效评价指标体系 |
| 3.1 空中交通管理系统含义 |
| 3.2 空管系统绩效内涵 |
| 3.3 空管系统绩效影响因素分析 |
| 3.4 指标体系设计原则 |
| 3.5 空管系统绩效评价指标体系设计 |
| 3.6 本章小结 |
| 第四章 空管系统绩效评价模型构建 |
| 4.1 基于SOM神经网络绩效评价模型构建步骤 |
| 4.2 基于因子分析法的P-SOM的空管绩效评价模型 |
| 4.2.1 因子分析法优化输入层设计 |
| 4.2.2 粒子群算法PSO优化初始权值随机值 |
| 4.2.3 基于因子分析的P-SOM神经网络模型设计 |
| 4.3 模型算法设计 |
| 4.4 本章小结 |
| 第五章 空管系统绩效评价模型实证研究 |
| 5.1 国内外主要国家空管概况 |
| 5.1.1 中国空管系统概况 |
| 5.1.2 加拿大空管系统概况 |
| 5.1.3 美国空管系统概况 |
| 5.1.4 欧洲空管系统概况 |
| 5.1.5 泰国空管系统概况 |
| 5.2 数据的采集与预处理 |
| 5.3 基于因子分析法的空管系统主因子提取 |
| 5.4 基于因子分析的P-SOM的绩效评价结果 |
| 5.5 绩效评价结果分析 |
| 5.6 本章小结 |
| 第六章 总结与展望 |
| 6.1 研究结论与建议 |
| 6.2 研究不足与展望 |
| 致谢 |
| 参考文献 |
| 附录A |
| 附录B |
| 作者简介 |
（4）航空公司航线竞争博弈与机队运力分配仿真研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 国外研究现状 |
| 1.2.2 国内研究现状 |
| 1.3 论文的研究内容与技术路线 |
| 1.3.1 研究内容 |
| 1.3.2 技术路线 |
| 第二章 机队运力分配基本理论和方法 |
| 2.1 运力分配相关要素 |
| 2.1.1 航线 |
| 2.1.2 机型 |
| 2.2 机队规划方法 |
| 2.2.1 宏观机队规划法 |
| 2.2.2 微观机队规划法 |
| 2.3 运力分配内容 |
| 2.3.1 机型适航性 |
| 2.3.2 影响因素 |
| 2.4 本章小结 |
| 第三章 市场需求及成本测算 |
| 3.1 需求量预测 |
| 3.1.1 BP神经网络简介 |
| 3.1.2 BP神经网络计算过程 |
| 3.2 实验仿真与结果分析 |
| 3.3 运营成本分析 |
| 3.3.1 直接运营成本 |
| 3.3.2 间接运营成本 |
| 3.3.3 管理费用 |
| 3.4 直接运营成本的计算 |
| 3.4.1 多元回归分析 |
| 3.4.2算例实验 |
| 3.5 本章小结 |
| 第四章 机队运力分配模型构建及仿真 |
| 4.1 影响机队运行分配的因素 |
| 4.2 机队运力分配优化模型 |
| 4.2.1 模型假设 |
| 4.2.2 符号说明 |
| 4.3 算法介绍 |
| 4.3.1 分支定界法介绍 |
| 4.3.2 基于分支定界法的求解步骤 |
| 4.4 算例分析 |
| 4.5 本章小结 |
| 第五章 竞争航线的机队运力分配方法 |
| 5.1 引言 |
| 5.2 博弈论基本理论 |
| 5.3 航线市场的博弈行为 |
| 5.3.1 情景分析 |
| 5.3.2 市场份额的确定 |
| 5.4 竞争航线运力分配优化模型 |
| 5.4.1 模型假设 |
| 5.4.2 符号说明 |
| 5.5 算例与仿真 |
| 5.6 机队运力分配方法评价 |
| 5.6.1 评价框架 |
| 5.6.2 评价流程 |
| 5.7 本章小结 |
| 第六章 总结与展望 |
| 6.1 本文总结 |
| 6.2 研究展望 |
| 参考文献 |
| 致谢 |
| 攻读硕士学位期间取得的学术成果 |
（5）大数据技术在大气监测中的应用研究（论文提纲范文）
| 1. 大数据技术在大气监测中的应用优势 |
| 1.1 共享性优势 |
| 1.2 职能部门融合优势 |
| 1.3 数据整合优势 |
| 1.4 时效性优势 |
| 2. 大数据技术在大气监测中的应用研究 |
| 2.1 物联网体系建设 |
| 2.2 数字化模型建设 |
| 2.3 数据平台建设 |
| 3. 结语 |
（6）铁路货运客户流失管理的理论与方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 客户关系管理的相关研究 |
| 1.2.1 客户细分方法研究 |
| 1.2.2 客户流失预测研究 |
| 1.2.3 铁路货运流失客户挽留对策研究 |
| 1.3 Hadoop体系架构概述 |
| 1.3.1 MapReduce分布式计算技术 |
| 1.3.2 分布式存储体系 |
| 1.3.3 Hadoop在客户关系管理中的应用 |
| 1.4 研究内容与技术线路 |
| 1.4.1 研究内容 |
| 1.4.2 技术线路 |
| 第2章 铁路货运客户细分研究 |
| 2.1 引言 |
| 2.2 货运客户细分模型研究 |
| 2.2.1 基于RFM的客户细分模型 |
| 2.2.2 基于KFAV的客户细分模型 |
| 2.2.3 基于KFAV模型的铁路货运客户价值研究 |
| 2.3 客户细分算法设计 |
| 2.3.1 传统k-means算法 |
| 2.3.2 改进k-means算法 |
| 2.3.3 基于Hadoop的改进k-means算法设计 |
| 2.4 仿真求解 |
| 2.4.1 仿真数据 |
| 2.4.2 仿真环境 |
| 2.4.3 仿真流程 |
| 2.4.4 仿真结果 |
| 2.4.5 结果分析 |
| 2.5 本章小结 |
| 第3章 铁路货运客户流失预测研究 |
| 3.1 引言 |
| 3.2 大宗货物和零散白货概述 |
| 3.2.1 大宗货物概述 |
| 3.2.2 零散白货概述 |
| 3.3 铁路大宗货运客户流失预测研究 |
| 3.3.1 大宗货物客户流失定义 |
| 3.3.2 大宗货物客户流失预测模型研究 |
| 3.3.3 大宗货物客户流失预测仿真求解 |
| 3.3.4 大宗货运客户流失预测研究小结 |
| 3.4 铁路零散白货客户流失预测研究 |
| 3.4.1 零散白货客户流失定义 |
| 3.4.2 零散白货客户流失预测模型研究 |
| 3.4.3 零散白货客户流失预测算法设计 |
| 3.4.4 零散白货客户流失预测仿真求解 |
| 3.4.5 零散白货客户流失预测研究小结 |
| 第4章 铁路货运流失客户挽留价值研究 |
| 4.1 引言 |
| 4.2 铁路货运流失客户可期货运价值研究 |
| 4.3 铁路货运流失客户挽留效果模型研究 |
| 4.4 铁路货运流失客户挽留成本研究 |
| 4.5 铁路货运流失客户挽留价值模型研究 |
| 4.6 铁路货运流失客户挽留价值仿真求解 |
| 4.6.1 仿真数据及环境 |
| 4.6.2 仿真流程 |
| 4.6.3 仿真结果及分析 |
| 4.7 本章小结 |
| 结论与展望 |
| 致谢 |
| 参考文献 |
| 攻读博士学位期间发表的论文 |
（7）民航业经济运行预警及管理机制研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 研究内容与方法 |
| 1.3 可能的创新点 |
| 第二章 国内外研究综述及相关理论基础 |
| 2.1 国内外经济运行预警研究综述 |
| 2.1.1 国外经济运行预警研究 |
| 2.1.2 国内经济运行预警研究 |
| 2.1.3 交通运输领域预警研究 |
| 2.2 相关理论基础 |
| 2.2.1 经济周期波动理论 |
| 2.2.2 预警管理理论 |
| 2.3 相关方法模型 |
| 2.3.1 灰色关联分析法 |
| 2.3.2 人工神经网络模型 |
| 第三章 民航业经济运行系统分析及管理机制存在问题 |
| 3.1 民航业经济运行现状分析 |
| 3.1.1 民航业生产指标分析 |
| 3.1.2 民航业运力供给情况 |
| 3.1.3 民航业经济效益情况 |
| 3.2 民航业经济运行状况影响因素分析 |
| 3.2.1 政策因素 |
| 3.2.2 经济因素 |
| 3.2.3 行业因素 |
| 3.2.4 竞争因素 |
| 3.3 民航业经济运行调控管理机制存在问题 |
| 3.3.1 缺乏系统协调性 |
| 3.3.2 缺乏前瞻性及应急预案管理 |
| 3.3.3 缺乏科学管理分析工具 |
| 第四章 民航业经济运行预警系统构建 |
| 4.1 民航业经济运行预警系统的内涵及特征 |
| 4.1.1 民航业经济运行预警系统的内涵与功能 |
| 4.1.2 民航业经济运行预警系统的特征 |
| 4.2 指标体系的构建 |
| 4.2.1 指标体系构建原则 |
| 4.2.2 指标选取 |
| 4.2.3 指标分类 |
| 4.3 民航业经济运行景气分析 |
| 4.3.1 扩散指数的内涵及计算方法 |
| 4.3.2 合成指数的内涵及计算方法 |
| 4.4 民航业经济运行预警信号构建 |
| 4.4.1 预警指标的选取 |
| 4.4.2 预警界限的设计及预警信号的建立 |
| 4.4.3 基于BP神经网络模型的民航业经济运行状况预测 |
| 第五章 民航业经济运行预警实证研究 |
| 5.1 指标数据收集及处理 |
| 5.1.1 数据的收集与预处理 |
| 5.1.2 指标权重的确定 |
| 5.2 民航业经济运行景气指数计算分析 |
| 5.2.1 扩散指数计算分析 |
| 5.2.2 合成指数计算分析 |
| 5.2.3 扩散指数与合成指数的比较分析 |
| 5.3 民航业经济运行预警信号分析 |
| 5.3.1 预警界限的确定 |
| 5.3.2 民航业经济运行预警信号灯图 |
| 5.3.3 基于BP神经网络的民航业经济运行预警预测结果 |
| 第六章 民航业经济运行预警管理机制 |
| 6.1 民航业经济运行预警管理机制建立 |
| 6.1.1 民航业经济运行监测机制 |
| 6.1.2 民航业经济运行诊断机制 |
| 6.1.3 民航业经济运行预警机制 |
| 6.1.4 民航业经济运行反馈机制 |
| 6.2 民航业经济运行预警管理调控措施 |
| 6.2.1 不断优化价格调控手段 |
| 6.2.2 不断完善人才引进政策 |
| 6.2.3 建立灵活市场准入机制 |
| 6.2.4 健全飞机引进监管手段 |
| 6.2.5 积极落实民航财政政策 |
| 第七章 结论与展望 |
| 7.1 本文的主要结论 |
| 7.2 不足与展望 |
| 参考文献 |
| 致谢 |
| 作者简介 |
（8）民航旅客订座规律分析及平行航班收益管理（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 旅客订座行为的研究概述 |
| 1.2.2 航线订座过程的分析方法 |
| 1.2.3 航线订座水平的预测方法 |
| 1.2.4 平行航班收益管理理论 |
| 1.3 研究内容 |
| 1.4 研究方法 |
| 1.5 论文结构 |
| 第二章 旅客订座与舱位管理 |
| 2.1 舱位管理理论及方法 |
| 2.1.1 订座时期划分管理 |
| 2.1.2 精准预测辅助管理 |
| 2.2 通过客座率观察旅客订座规律 |
| 2.2.1 客座率的定义及重要性 |
| 2.2.2 客座率对民航旅客订座规律的反映 |
| 2.2.3 以客座率为主导的收益管理方法 |
| 2.3 平行航班收益管理及其影响因素 |
| 2.3.1 平行航班的定义 |
| 2.3.2 影响平行航班收益管理的主要因素 |
| 2.4 本章小结 |
| 第三章 民航旅客订座规律分析 |
| 3.1 旅客订座期划分 |
| 3.1.1 数据描述 |
| 3.1.2 决策树方法介绍 |
| 3.1.3 基于客座率的航线订座期划分 |
| 3.1.4 航线订座期划分结果分析 |
| 3.2 基于ARIMA模型分析旅客订座历史规律 |
| 3.2.1 ARIMA模型 |
| 3.2.2 航线订座水平的ARIMA模型建立 |
| 3.3 旅客订座规律总结 |
| 3.3.1 航线订座期对航线订座水平的影响 |
| 3.3.2 民航旅客订座规律总结 |
| 3.4 本章小结 |
| 第四章 基于客座率预测的平行航班分期收益管理方法 |
| 4.1 神经网络理论 |
| 4.2 客座率预测 |
| 4.2.1 客座率预测模型 |
| 4.2.2 客座率预测实例分析 |
| 4.3 平行航班收益管理方法 |
| 4.3.1 考虑平行航班间相互影响的NARX预测模型 |
| 4.3.2 客座率对标收益管理方法 |
| 4.3.3 平行航班收益管理方法 |
| 4.4 本章小结 |
| 第五章 总结与展望 |
| 5.1 全文总结 |
| 5.2 研究展望 |
| 参考文献 |
| 致谢 |
| 在学期间的研究成果及发表的学术论文 |
| 附录 |
| 附录一.NARX构建及训练网络的MATLAB程序 |
（9）组合预测模型在航空客运量预测中的应用（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 对运量预测的研究现状 |
| 1.2.2 对组合预测理论的研究现状 |
| 1.3 研究方法与研究内容 |
| 1.3.1 研究方法 |
| 1.3.2 研究内容 |
| 1.4 可能的创新点 |
| 第二章 模型理论基础 |
| 2.1 各单项模型理论介绍 |
| 2.1.1 运量预测方法及评述 |
| 2.1.2 季节性指数平滑模型 |
| 2.1.3 灰色预测模型 |
| 2.1.4 BP神经网络模型 |
| 2.2 组合预测模型介绍 |
| 2.2.1 组合预测理论的提出 |
| 2.2.2 组合预测的原理 |
| 2.2.3 权重计算方法及模型性能评价指标 |
| 第三章 我国民航业发展现状及趋势分析 |
| 3.1 我国民航业发展现状分析 |
| 3.1.1 民航业发展现状 |
| 3.1.2 我国民航客运量短期变化特点分析 |
| 3.2 我国民航客运量长期发展趋势 |
| 3.2.1 我国民航客运量长期发展趋势 |
| 3.2.2 我国民航运输发展阶段分析 |
| 第四章 实证研究 |
| 4.1 各单项模型预测结果及分析 |
| 4.1.1 季节性指数平滑模型 |
| 4.1.2 灰色预测模型 |
| 4.1.3 BP神经网络模型 |
| 4.1.4 单项预测模型的误差比较分析 |
| 4.2 建立组合预测模型 |
| 4.2.1 GM(1,1)与季节指数平滑模型组合 |
| 4.2.2 GM(1,1)与BP神经网络模型组合 |
| 4.2.3 季节指数平滑模型与BP神经网络模型组合 |
| 4.2.4 三种模型组合 |
| 4.3 结果分析及模型应用 |
| 第五章 结论 |
| 5.1 本文研究的主要结论 |
| 5.2 本文的不足 |
| 参考文献 |
| 附录 |
| 灰色系统GM(1,1)MATLAB代码 |
| BP神经网络MATLAB代码 |
| 致谢 |
| 个人简历 |
| 在校期间发表的学术论文 |
（10）机场建设规模的经济适应性理论与评价研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 选题背景及研究意义 |
| 1.2 论文研究对象界定 |
| 1.2.1 研究对象界定 |
| 1.2.2 民用机场的特点 |
| 1.3 国内外机场建设发展分析 |
| 1.3.1 国外机场建设发展现状 |
| 1.3.2 国内机场建设现状 |
| 1.3.3 国内外机场发展模式对比分析 |
| 1.4 研究现状综述 |
| 1.4.1 机场与社会经济发展关系 |
| 1.4.2 机场与综合运输发展关系 |
| 1.4.3 机场需求量预测方法 |
| 1.4.4 经济适应性理论与评价方法 |
| 1.5 现状研究对论文的启示 |
| 1.6 研究方法与主要内容 |
| 1.6.1 研究方法 |
| 1.6.2 主要研究内容 |
| 第2章 机场建设规模的经济适应性理论分析 |
| 2.1 机场建设规模的经济适应性概念与内涵 |
| 2.1.1 概念的提出 |
| 2.1.2 机场建设规模的经济适应性内涵 |
| 2.1.3 机场建设规模的经济适应性规律 |
| 2.2 “机场-经济”复合系统模型及特性 |
| 2.2.1 “机场-经济”复合系统模型构建 |
| 2.2.2 “机场-经济”系统特性分析 |
| 2.3 机场-经济系统内部分析 |
| 2.3.1 系统需求理论分析 |
| 2.3.2 系统供给理论分析 |
| 2.3.3 系统因果反馈分析 |
| 2.3.4 系统供需均衡分析 |
| 2.4 机场-经济系统演化分析 |
| 2.4.1 机场-经济系统的生命周期演化轨迹 |
| 2.4.2 机场-经济系统的演化动力 |
| 2.5 机场建设规模的经济适应性研究的逻辑框架 |
| 2.6 本章小结 |
| 第3章 基于PNN神经网络的目标机场分类 |
| 3.1 机场分类的目的 |
| 3.2 机场分类的影响因素及方法选择 |
| 3.2.1 机场分类的影响因素 |
| 3.2.2 分类方法选择 |
| 3.3 概率神经网络 |
| 3.3.1 概率神经网络结构 |
| 3.3.2 概率神经网络工作原理 |
| 3.3.3 概率神经网络的创建 |
| 3.4 基于PNN神经网络的目标机场分类 |
| 3.4.1 数据的归一化处理和效度分析 |
| 3.4.2 概率神经网络设计 |
| 3.4.3 分类结果分析 |
| 3.5 本章小结 |
| 第4章 基于经济适应性的机场建设规模预测 |
| 4.1 机场地面空间服务范围的确定 |
| 4.1.1 加权Voronoi图模型 |
| 4.1.2 断裂点理论 |
| 4.1.3 基于断裂点理论与加权Voronoi图的机场服务范围的确定 |
| 4.2 机场经济价值分析 |
| 4.2.1 机场成本分析 |
| 4.2.2 机场收入分析 |
| 4.2.3 机场内部经济价值分析 |
| 4.3 基于经济适应性的机场建设规模预测 |
| 4.3.1 预测偏差分析 |
| 4.3.2 基于经济适应性的预测思路 |
| 4.3.3 最优化模型的构建 |
| 4.3.4 应用实例 |
| 4.4 本章小结 |
| 第5章 机场建设规模的经济适应性评价 |
| 5.1 评价目的和原则 |
| 5.2 评价指标体系的构建 |
| 5.2.1 经济适应性的一级指标体系 |
| 5.2.2 经济适应性的二级指标 |
| 5.3 基于模糊物元法的经济适应性评价研究 |
| 5.3.1 模糊物元法 |
| 5.3.2 机场建设规模经济适应性的模糊物元评价 |
| 5.4 基于格序决策的经济适应性评价研究 |
| 5.4.1 多目标格序决策方法概述 |
| 5.4.2 格序决策模型的建立过程 |
| 5.5 评价方法对比及结果分析 |
| 5.6 本章小结 |
| 第6章 结论与展望 |
| 6.1 关于提升机场建设规模经济适应性的讨论 |
| 6.2 论文取得的成果 |
| 6.3 论文主要创新点 |
| 6.4 有待进一步研究的问题 |
| 致谢 |
| 参考文献 |
| 附录 |
| 攻读博士学位期间发表的论文 |
| 主要科研成果 |
四、自组织人工神经网络在民航旅客盈利能力细分中的应用（论文参考文献）
- [1]基于改进SOM的银行客户细分研究[D]. 吴虹颖. 长春工业大学, 2021(08)
- [2]基于深度强化学习的停机位分配算法研究[D]. 程博. 中国科学院大学(中国科学院深圳先进技术研究院), 2020(07)
- [3]基于改进SOM神经网络的空中交通管理系统绩效评价研究[D]. 曹晓雅. 中国民航大学, 2020(01)
- [4]航空公司航线竞争博弈与机队运力分配仿真研究[D]. 马明宇. 中国民用航空飞行学院, 2020(09)
- [5]大数据技术在大气监测中的应用研究[J]. 武勇. 卫星电视与宽带多媒体, 2019(21)
- [6]铁路货运客户流失管理的理论与方法研究[D]. 张斌. 西南交通大学, 2019(04)
- [7]民航业经济运行预警及管理机制研究[D]. 赖汪湾. 中国民航大学, 2018(10)
- [8]民航旅客订座规律分析及平行航班收益管理[D]. 宋娟. 南京航空航天大学, 2017(03)
- [9]组合预测模型在航空客运量预测中的应用[D]. 王振华. 福州大学, 2017(05)
- [10]机场建设规模的经济适应性理论与评价研究[D]. 赵素霞. 西南交通大学, 2017(02)