高速铁路大数据技术

本书是高速铁路工程技术创新丛书之一，由国家铁路局组织编写。书中针对我国高速铁路的发展现状和面临的挑战，梳理总结了我国高速铁路在大数据创新应用方面的成果，并系统介绍了大数据处理技术的基础知识。全书共9章，包括绪论、大数据分布式存储技术、大数据安全技术、大数据分析技术、大数据分析平台、高速列车走行部、高速铁路轨道检测、高速铁路弓网异常检测、大数据分析实践和旅客出行大数据可视分析实践，力图展现我国高速铁路大数据分析与处理的近期新研究进展。 本书可供计算机科学与技术、人工智能、交通运输、软件工程、自动化、控制科学与工程、管理科学与工程和应用数学等专业的科研人员、工程技术人员使用，也可供相关专业的教师、研究生、高年级本科生学习参考。

李天瑞，1969年6月出生，2001年获西南交通大学交通信息工程及控制专业博士学位，现任西南交通大学学术委员会委员，计算机与人工智能学院教授、博导、党委书记，综合交通大数据应用技术国家工程实验室副主任，四川省云计算与智能技术高校重点实验室主任。兼任国际粗糙集学会会士和顾问委员会主席，中国计算机学会理事，中国人工智能学会理事，四川省人工智能学会副理事长，Human-Centric Intelligent Systems主编，ACM Transactions on Intelligent Systems and Technology副编辑，International Journal of Computational Intelligence Systems领域主编，以及Information Fusion等编委。主要研究领域为大数据分析与挖掘、智能铁路、智能城市、粒计算与知识发现等。代表性著作有《大数据挖掘的原理与方法》《动态知识发现与三支决策》等。主持国家重点研发课题、国家自然科学基金项目等10余项，发表SCI期刊论文160余篇，授权发明专利10余项，出版专著7部，主编SCI期刊专辑11集，荣获教育部自然科学二等奖，重庆市科学技术奖自然科学一等奖，四川省社会科学优秀成果二、三等奖，四川省优秀教学成果二、三等奖等。

1 绪论
1.1 高速铁路大数据的来源
1.1.1 高速铁路主要信息系统
1.1.2 高速铁路主要数据构成
1.2 高速铁路大数据的特点
1.3 高速铁路大数据服务的总体框架与数据流程
1.4 国外铁路大数据技术发展现状
1.4.1 德国
1.4.2 美国
1.4.3 日本
1.4.4 其他国家
1.5 高速铁路大数据应用场景
1.6 高速铁路大数据发展趋势分析
1.7 本书的组织结构
2 大数据分布式存储技术
2.1 数据存储概述
2.1.1 数据存储分类
2.1.2 分布式存储方案
2.1.3 高速铁路大数据存储需求
2.2 分布式文件系统HDFS
2.2.1 HDFS概述
2.2.2 HDFS体系架构
2.2.3 HDFS数据操作
2.3 分布式列式数据库HBase
2.3.1 HBase概述
2.3.2 HBase体系架构
2.3.3 HBase数据操作
2.4 分布式对象存储Ceph
2.4.1 Ceph概述
2.4.2 Ceph体系架构
2.4.3 Ceph数据操作
2.5 高速铁路大数据存储案例分析
3 大数据安全技术
3.1 信息安全概论
3.1.1 信息安全的定义
3.1.2 信息安全的目标
3.1.3 信息安全的发展
3.2 信息安全主要分类
3.2.1 物理安全
3.2.2 网络安全
3.2.3 主机安全
3.2.4 应用安全
3.2.5 数据安全
3.3 密码学基础
3.3.1 密码学概述
3.3.2 对称加密技术
3.3.3 非对称加密技术
3.3.4 散列技术
3.3.5 数字签名
3.4 大数据安全分析
3.4.1 大数据安全的背景与意义
3.4.2 大数据安全问题
3.4.3 大数据安全技术分类
3.4.4 大数据安全标准
3.5 高速铁路大数据安全实践
3.5.1 高速铁路大数据安全保障
3.5.2 监控大数据安全管理应用
4 大数据分析技术
4.1 数据分析概述
4.2 数据分析流程
4.2.1 数据挖掘流程
4.2.2 大数据分析流程
4.3 数据分析主要方法
4.3.1 联机分析处理
4.3.2 可视化分析
4.3.3 机器学习
4.3.4 深度学习
4.4 大数据并行处理模式
4.4.1 数据并行
4.4.2 模型并行
4.4.3 混合并行
4.5 高速铁路大数据分析技术案例分析
5 大数据分析平台
5.1 大数据分析平台概述
5.1.1 大数据分析平台概述
5.1.2 高速铁路大数据分析平台
5.2 基于Hadoop的大数据分析平台
5.2.1 Hadoop概述
5.2.2 MapReduce原理
5.2.3 MapReduce编程
5.2.4 运行MapReduce作业
5.3 基于Spark的大数据分析平台
5.3.1 Spark概述
5.3.2 Spark原理
5.3.3 Spark编程
5.3.4 运行Spark作业
5.4 基于TensorFlow的大数据分析平台
5.4.1 TensorFlow概述
5.4.2 TensorFlow原理
5.4.3 TensorFlow编程
5.4.4 运行TensorFlow作业
5.5 高速铁路大数据分析平台案例分析
5.5.1 平台需求
5.5.2 平台架构
5.5.3 应用场景
6 走行部大数据分析实践
6.1 走行部概述
6.2 走行部大数据分析
6.3 走行部特征提取与分析
6.3.1 基于EMD和模糊熵的走行部特征提取
6.3.2 基于特征融合的高速列车振动信号特征分析
6.4 走行部故障诊断
6.4.1 基于多视图分类集成的走行部故障诊断
6.4.2 基于深度信念网络的故障诊断
6.5 走行部大数据分布式处理
6.5.1 数据预处理
6.5.2 分布式特征提取
6.5.3 分布式故障诊断
7 轨道检测大数据分析实践
7.1 轨道检测大数据概述
7.1.1 高速铁路轨道检测大数据质量现状
7.1.2 高速铁路轨道检测大数据质量评价方法
7.1.3 高速铁路轨道检测大数据质量优化
7.2 轨道检测大数据预处理
7.2.1 高速铁路轨道检测数据
7.2.2 冗余点滤除
7.2.3 间断性里程误差修复
7.2.4 毛刺滤除
7.2.5 里程漂移校准
7.3 轨道不平顺状态分析
7.3.1 轨道不平顺的类型
7.3.2 轨道不平顺分析方法
7.4 轨道不平顺状态预测
7.4.1 灰度预测
7.4.2 SVM预测
7.4.3 组合模型预测
7.5 车体振动加速度预测
8 弓网异常检测大数据分析实践
8.1 图像目标检测
8.1.1 图像预处理
8.1.2 图像边缘检测与图像分割
8.1.3 图像特征提取
8.1.4 图像目标分类和识别
8.2 图像目标分割方法
8.2.1 图像边缘检测算法
8.2.2 阈值分割算法
8.2.3 活动轮廓模型
8.2.4 分水岭变换算法
8.3 图像特征提取方法
8.3.1 颜色直方图特征
8.3.2 梯度方向直方图特征
8.3.3 纹理特征
8.3.4 形状特征
8.3.5 特征选择
8.4 图像目标检测方法
8.4.1 基于模板匹配的目标检测算法
8.4.2 基于统计模式的目标检测算法
8.4.3 基于神经网络