通信与信息系统专业毕业论文基于数据仓库的城市轨道交通客流分析系统研究.doc

通信与信息系统专业毕业论文 精品论文 基于数据仓库的城市轨道交通客流分析系统研究关键词：数据仓库 联机分析处理 城市轨道交通 客流分析 Logit模型摘要：数据仓库技术是信息存储技术的新兴分支，越来越成为数据分析领域的研究热点。目前，已经在银行、电信、电子商务等领域中广泛应用。城市轨道交通运营企业经过多年的运营管理，积累了大量的数据，如何更好的利用这些有价值的数据，提高企业的管理水平，找到新的利润增长点，是企业管理者需要解决的问题。 论文首先简述了课题的研究背景及意义，分析了构建城市轨道交通客流数据仓库面临的主要问题。通过比对采用了非集计的Logit模型来预测票务收入，给出了竞争条件下预测收入的Logit模型数学表达式。随后针对Logit模型计算统计样本需要消耗大量的系统I/O资源，提出了字段顺序调整压缩算法，给出了实现程序并比照了压缩前后Logit模型的计算时间，实验证明该算法在压缩数据时并没有明显增加系统开销，防止了Logit模型的弊端。最后以深圳地铁为例构建了城市轨道交通客流分析数据仓库系统，计算出深圳地铁客流KPI的值，针对不同应用场景展开了多种联机分析处理OLAP，并利用前面给出的Logit模型找出城市轨道交通客流与票价之间的数学关系，预测出票务收入最大时的平均票价。为城市轨道交通运营企业制定更完善的定价方案提供强有力的支持。 最后对论文的主要工作做了总结并展望了下一步的研究方向。正文内容 数据仓库技术是信息存储技术的新兴分支，越来越成为数据分析领域的研究热点。目前，已经在银行、电信、电子商务等领域中广泛应用。城市轨道交通运营企业经过多年的运营管理，积累了大量的数据，如何更好的利用这些有价值的数据，提高企业的管理水平，找到新的利润增长点，是企业管理者需要解决的问题。 论文首先简述了课题的研究背景及意义，分析了构建城市轨道交通客流数据仓库面临的主要问题。通过比对采用了非集计的Logit模型来预测票务收入，给出了竞争条件下预测收入的Logit模型数学表达式。随后针对Logit模型计算统计样本需要消耗大量的系统I/O资源，提出了字段顺序调整压缩算法，给出了实现程序并比照了压缩前后Logit模型的计算时间，实验证明该算法在压缩数据时并没有明显增加系统开销，防止了Logit模型的弊端。最后以深圳地铁为例构建了城市轨道交通客流分析数据仓库系统，计算出深圳地铁客流KPI的值，针对不同应用场景展开了多种联机分析处理OLAP，并利用前面给出的Logit模型找出城市轨道交通客流与票价之间的数学关系，预测出票务收入最大时的平均票价。为城市轨道交通运营企业制定更完善的定价方案提供强有力的支持。 最后对论文的主要工作做了总结并展望了下一步的研究方向。数据仓库技术是信息存储技术的新兴分支，越来越成为数据分析领域的研究热点。目前，已经在银行、电信、电子商务等领域中广泛应用。城市轨道交通运营企业经过多年的运营管理，积累了大量的数据，如何更好的利用这些有价值的数据，提高企业的管理水平，找到新的利润增长点，是企业管理者需要解决的问题。 论文首先简述了课题的研究背景及意义，分析了构建城市轨道交通客流数据仓库面临的主要问题。通过比对采用了非集计的Logit模型来预测票务收入，给出了竞争条件下预测收入的Logit模型数学表达式。随后针对Logit模型计算统计样本需要消耗大量的系统I/O资源，提出了字段顺序调整压缩算法，给出了实现程序并比照了压缩前后Logit模型的计算时间，实验证明该算法在压缩数据时并没有明显增加系统开销，防止了Logit模型的弊端。最后以深圳地铁为例构建了城市轨道交通客流分析数据仓库系统，计算出深圳地铁客流KPI的值，针对不同应用场景展开了多种联机分析处理OLAP，并利用前面给出的Logit模型找出城市轨道交通客流与票价之间的数学关系，预测出票务收入最大时的平均票价。为城市轨道交通运营企业制定更完善的定价方案提供强有力的支持。 最后对论文的主要工作做了总结并展望了下一步的研究方向。数据仓库技术是信息存储技术的新兴分支，越来越成为数据分析领域的研究热点。目前，已经在银行、电信、电子商务等领域中广泛应用。城市轨道交通运营企业经过多年的运营管理，积累了大量的数据，如何更好的利用这些有价值的数据，提高企业的管理水平，找到新的利润增长点，是企业管理者需要解决的问题。 论文首先简述了课题的研究背景及意义，分析了构建城市轨道交通客流数据仓库面临的主要问题。通过比对采用了非集计的Logit模型来预测票务收入，给出了竞争条件下预测收入的Logit模型数学表达式。随后针对Logit模型计算统计样本需要消耗大量的系统I/O资源，提出了字段顺序调整压缩算法，给出了实现程序并比照了压缩前后Logit模型的计算时间，实验证明该算法在压缩数据时并没有明显增加系统开销，防止了Logit模型的弊端。最后以深圳地铁为例构建了城市轨道交通客流分析数据仓库系统，计算出深圳地铁客流KPI的值，针对不同应用场景展开了多种联机分析处理OLAP，并利用前面给出的Logit模型找出城市轨道交通客流与票价之间的数学关系，预测出票务收入最大时的平均票价。为城市轨道交通运营企业制定更完善的定价方案提供强有力的支持。 最后对论文的主要工作做了总结并展望了下一步的研究方向。数据仓库技术是信息存储技术的新兴分支，越来越成为数据分析领域的研究热点。目前，已经在银行、电信、电子商务等领域中广泛应用。城市轨道交通运营企业经过多年的运营管理，积累了大量的数据，如何更好的利用这些有价值的数据，提高企业的管理水平，找到新的利润增长点，是企业管理者需要解决的问题。 论文首先简述了课题的研究背景及意义，分析了构建城市轨道交通客流数据仓库面临的主要问题。通过比对采用了非集计的Logit模型来预测票务收入，给出了竞争条件下预测收入的Logit模型数学表达式。随后针对Logit模型计算统计样本需要消耗大量的系统I/O资源，提出了字段顺序调整压缩算法，给出了实现程序并比照了压缩前后Logit模型的计算时间，实验证明该算法在压缩数据时并没有明显增加系统开销，防止了Logit模型的弊端。最后以深圳地铁为例构建了城市轨道交通客流分析数据仓库系统，计算出深圳地铁客流KPI的值，针对不同应用场景展开了多种联机分析处理OLAP，并利用前面给出的Logit模型找出城市轨道交通客流与票价之间的数学关系，预测出票务收入最大时的平均票价。为城市轨道交通运营企业制定更完善的定价方案提供强有力的支持。 最后对论文的主要工作做了总结并展望了下一步的研究方向。数据仓库技术是信息存储技术的新兴分支，越来越成为数据分析领域的研究热点。目前，已经在银行、电信、电子商务等领域中广泛应用。城市轨道交通运营企业经过多年的运营管理，积累了大量的数据，如何更好的利用这些有价值的数据，提高企业的管理水平，找到新的利润增长点，是企业管理者需要解决的问题。 论文首先简述了课题的研究背景及意义，分析了构建城市轨道交通客流数据仓库面临的主要问题。通过比对采用了非集计的Logit模型来预测票务收入，给出了竞争条件下预测收入的Logit模型数学表达式。随后针对Logit模型计算统计样本需要消耗大量的系统I/O资源，提出了字段顺序调整压缩算法，给出了实现程序并比照了压缩前后Logit模型的计算时间，实验证明该算法在压缩数据时并没有明显增加系统开销，防止了Logit模型的弊端。最后以深圳地铁为例构建了城市轨道交通客流分析数据仓库系统，计算出深圳地铁客流KPI的值，针对不同应用场景展开了多种联机分析处理OLAP，并利用前面给出的Logit模型找出城市轨道交通客流与票价之间的数学关系，预测出票务收入最大时的平均票价。为城市轨道交通运营企业制定更完善的定价方案提供强有力的支持。 最后对论文的主要工作做了总结并展望了下一步的研究方向。数据仓库技术是信息存储技术的新兴分支，越来越成为数据分析领域的研究热点。目前，已经在银行、电信、电子商务等领域中广泛应用。城市轨道交通运营企业经过多年的运营管理，积累了大量的数据，如何更好的利用这些有价值的数据，提高企业的管理水平，找到新的利润增长点，是企业管理者需要解决的问题。 论文首先简述了课题的研究背景及意义，分析了构建城市轨道交通客流数据仓库面临的主要问题。通过比对采用了非集计的Logit模型来预测票务收入，给出了竞争条件下预测收入的Logit模型数学表达式。随后针对Logit模型计算统计样本需要消耗大量的系统I/O资源，提出了字段顺序调整压缩算法，给出了实现程序并比照了压缩前后Logit模型的计算时间，实验证明该算法在压缩数据时并没有明显增加系统开销，防止了Logit模型的弊端。最后以深圳地铁为例构建了城市轨道交通客流分析数据仓库系统，计算出深圳地铁客流KPI的值，针对不同应用场景展开了多种联机分析处理OLAP，并利用前面给出的Logit模型找出城市轨道交通客流与票价之间的数学关系，预测出票务收入最大时的平均票价。为城市轨道交通运营企业制定更完善的定价方案提供强有力的支持。 最后对论文的主要工作做了总结并展望了下一步的研究方向。数据仓库技术是信息存储技术的新兴分支，越来越成为数据分析领域的研究热点。目前，已经在银行、电信、电子商务等领域中广泛应用。城市轨道交通运营企业经过多年的运营管理，积累了大量的数据，如何更好的利用这些有价值的数据，提高企业的管理水平，找到新的利润增长点，是企业管理者需要解决的问题。 论文首先简述了课题的研究背景及意义，分析了构建城市轨道交通客流数据仓库面临的主要问题。通过比对采用了非集计的Logit模型来预测票务收入，给出了竞争条件下预测收入的Logit模型数学表达式。随后针对Logit模型计算统计样本需要消耗大量的系统I/O资源，提出了字段顺序调整压缩算法，给出了实现程序并比照了压缩前后Logit模型的计算时间，实验证明该算法在压缩数据时并没有明显增加系统开销，防止了Logit模型的弊端。最后以深圳地铁为例构建了城市轨道交通客流分析数据仓库系统，计算出深圳地铁客流KPI的值，针对不同应用场景展开了多种联机分析处理OLAP，并利用前面给出的Logit模型找出城市轨道交通客流与票价之间的数学关系，预测出票务收入最大时的平均票价。为城市轨道交通运营企业制定更完善的定价方案提供强有力的支持。 最后对论文的主要工作做了总结并展望了下一步的研究方向。数据仓库技术是信息存储技术的新兴分支，越来越成为数据分析领域的研究热点。目前，已经在银行、电信、电子商务等领域中广泛应用。城市轨道交通运营企业经过多年的运营管理，积累了大量的数据，如何更好的利用这些有价值的数据，提高企业的管理水平，找到新的利润增长点，是企业管理者需要解决的问题。 论文首先简述了课题的研究背景及意义，分析了构建城市轨道交通客流数据仓库面临的主要问题。通过比对采用了非集计的Logit模型来预测票务收入，给出了竞争条件下预测收入的Logit模型数学表达式。随后针对Logit模型计算统计样本需要消耗大量的系统I/O资源，提出了字段顺序调整压缩算法，给出了实现程序并比照了压缩前后Logit模型的计算时间，实验证明该算法在压缩数据时并没有明显增加系统开销，防止了Logit模型的弊端。最后以深圳地铁为例构建了城市轨道交通客流分析数据仓库系统，计算出深圳地铁客流KPI的值，针对不同应用场景展开了多种联机分析处理OLAP，并利用前面给出的Logit模型找出城市轨道交通客流与票价之间的数学关系，预测出票务收入最大时的平均票价。为城市轨道交通运营企业制定更完善的定价方案提供强有力的支持。 最后对论文的主要工作做了总结并展望了下一步的研究方向。数据仓库技术是信息存储技术的新兴分支，越来越成为数据分析领域的研究热点。目前，已经在银行、电信、电子商务等领域中广泛应用。城市轨道交通运营企业经过多年的运营管理，积累了大量的数据，如何更好的利用这些有价值的数据，提高企业的管理水平，找到新的利润增长点，是企业管理者需要解决的问题。 论文首先简述了课题的研究背景及意义，分析了构建城市轨道交通客流数据仓库面临的主要问题。通过比对采用了非集计的Logit模型来预测票务收入，给出了竞争条件下预测收入的Logit模型数学表达式。随后针对Logit模型计算统计样本需要消耗大量的系统I/O资源，提出了字段顺序调整压缩算法，给出了实现程序并比照了压缩前后Logit模型的计算时间，实验证明该算法在压缩数据时并没有明显增加系统开销，防止了Logit模型的弊端。最后以深圳地铁为例构建了城市轨道交通客流分析数据仓库系统，计算出深圳地铁客流KPI的值，针对不同应用场景展开了多种联机分析处理OLAP，并利用前面给出的Logit模型找出城市轨道交通客流与票价之间的数学关系，预测出票务收入最大时的平均票价。为城市轨道交通运营企业制定更完善的定价方案提供强有力的支持。 最后对论文的主要工作做了总结并展望了下一步的研究方向。数据仓库技术是信息存储技术的新兴分支，越来越成为数据分析领域的研究热点。目前，已经在银行、电信、电子商务等领域中广泛应用。城市轨道交通运营企业经过多年的运营管理，积累了大量的数据，如何更好的利用这些有价值的数据，提高企业的管理水平，找到新的利润增长点，是企业管理者需要解决的问题。 论文首先简述了课题的研究背景及意义，分析了构建城市轨道交通客流数据仓库面临的主要问题。通过比对采用了非集计的Logit模型来预测票务收入，给出了竞争条件下预测收入的Logit模型数学表达式。随后针对Logit模型计算统计样本需要消耗大量的系统I/O资源，提出了字段顺序调整压缩算法，给出了实现程序并比照了压缩前后Logit模型的计算时间，实验证明该算法在压缩数据时并没有明显增加系统开销，防止了Logit模型的弊端。最后以深圳地铁为例构建了城市轨道交通客流分析数据仓库系统，计算出深圳地铁客流KPI的值，针对不同应用场景展开了多种联机分析处理OLAP，并利用前面给出的Logit模型找出城市轨道交通客流与票价之间的数学关系，预测出票务收入最大时的平均票价。为城市轨道交通运营企业制定更完善的定价方案提供强有力的支持。 最后对论文的主要工作做了总结并展望了下一步的研究方向。?特别提醒?：正文内容由PDF文件转码生成，如您电脑未有相应转换码，那么无法显示正文内容，请您下载相应软件，下载地址为 :/ 400gb /file/75571905 。如还不能显示，可以联系我q q 1627550258 ，提供原格式文档。 " 垐垯櫃换烫梯葺铑?endstreamendobj2x滌?U'閩AZ箾FTP鈦X飼?狛P?燚?琯嫼b?袍*甒?颙嫯'?4)=r宵?i?j彺帖B3锝檡骹>笪yLrQ#?0鯖l壛枒l壛枒l壛枒l壛枒l壛枒l壛枒l壛枒l壛枒l壛枒l壛枒l壛枒l壛>渓?擗#?"?#綫G刿#K芿$?7.耟?Wa癳$Fb癳$Fb癳$Fb癳$Fb癳$Fb癳$Fb癳$Fb癳$Fb癳$Fb癳$Fb癳$Fb癳$Fb癳$Fb癳$Fb癳$Fb皗E|?pDb癳$Fb癳$Fb癳$Fb癳$Fb癳$Fb癳$Fb癳$Fb癳$Fb癳$Fb癳$Fb癳$Fb癳$Fb癳$Fb癳$Fb癳$F?責鯻0橔C,f薍秾腵薍秾腵薍秾腵薍秾腵薍秾腵薍秾腵薍秾腵薍秾腵薍秾腵薍秾腵薍秾腵薍秾腵薍秾腵薍秾腵薍秾腵秾腵薍秾腵%?秾腵薍秾腵薍秾腵薍秾腵薍秾腵薍秾腵薍秾腵薍秾腵薍秾腵薍秾腵薍秾腵薍秾腵薍G?螪t俐猻覎?烰:X=勢)趯飥?媂s劂/x?矓w豒庘q?唙?鄰爖媧A|Q趗擓蒚?緱鳝嗷P?笄nf(鱂匧叺9就菹$