基于指数权重算法的铁路互联网售票异常用户智能识别的研究与实现

李雯; 朱建生; 单杏花

基于指数权重算法的铁路互联网售票异常用户智能识别的研究与实现

1.
中国铁道科学研究院集团有限公司研究生部,北京 100081;
2.
中国铁道科学研究院集团有限公司电子计算技术研究所,北京 100081

基金项目: 中国铁道科学研究院青年课题项目（2017YJ104）

详细信息

作者简介:
李雯，在读硕士研究生；朱建生，研究员

中图分类号: U293.22:TP39
计量
- 文章访问数: 465
- HTML全文浏览量: 19
- PDF下载量: 101
出版历程
- 收稿日期: 2018-03-12
- 刊出日期: 2018-10-24

Abnormal user intelligence recognition of railway Internet ticketing based on index weight algorithm

1.
Graduate Department, China Academy of Railway Sciences Corporation Limited, Beijing 100081, China;
2.
Institute of Computing Technologies, China Academy of Railway Sciences Corporation Limited,Beijing 100081, China

摘要

摘要: 为了确保公平公正售票，保障百姓购票利益，利用大数据技术，结合现有用户购票行为数据，设计基于指数权重的铁路互联网异常用户智能识别算法，并用2017年的用户行为数据进行测试，异常用户预测准确度达80%。测试结果验证了该算法的可行性，可以有效提高异常用户识别准确度，为保障12306铁路互联网售票系统的安全稳定运行及维护公平公正的售票环境提供了技术支持。
- 指数权重 /
- 购票行为 /
- 互联网售票 /
- 异常用户
Abstract: In order to ensure fair and fair ticketing and protect the interests of people ticket buying, this paper designed an abnormal user intelligence recognition algorithm of railway Internet ticking based on index weight by using the big data technology and combining with existing user ticket buying behavior data. Using the user behavior data in 2017,the accuracy of abnormal user prediction reached 80%. The test results verify the feasibility of the algorithm, which can effectively improve the accuracy of abnormal user identification, and provide technical support for ensuring the safe and stable operation of the 12306 railway Internet Ticketing and Reservation System and maintaining fair and fair ticketing environment.
- index weight /
- ticket buying behavior /
- Internet ticketing /
- abnormal user

HTML全文

参考文献(10)

[1]	王明哲，张振利，徐彦，等. 铁路互联网售票系统的研究与实现[J]. 铁路计算机应用，2012，21（4）：23-25.
[2]	袁红艳. 网络交易中对个人消费者权利的保护及网络交易的法律适用和立法探究[J]. 中国集体经济，2017（32）：69-70.
[3]	郝晓培，单杏花，杨立鹏，等. 基于大数据技术的铁路互联网售票异常用户行为分析研究与实现[J]. 铁路计算机应用，2017，26（5）：1-4.
[4]	孙国强，韩强飞，陈俊. Kettle 在企业数据仓库建设中的应用与研究[J]. 信息系统工程，2017（2）：28-28.
[5]	陈飞，艾中良. 基于Flume 的分布式日志采集分析系统设计与实现[J]. 软件，2016，37（12）：82-88.
[6]	Ghesmoune M, Lebbah M, Azzag H. Micro-Batching Growing Neural Gas for Clustering Data Streams Using Spark Streaming[J]. Procedia Computer Science, 2015, 53(1):158-166.
[7]	林宗缪，郭先超，裴雨清，等. 基于Spark 的网络日志分析平台研究与设计[J]. 自动化与仪器仪表，2017（11）：157-159.
[8]	Zhang L, Pang X, Ozolins O, et al. Spectrally efficient digitized radio-over-fiber system with k-means clusteringbased multidimensional quantization[J]. Optics Letters, 2018,43(7):1546-1551.
[9]	邬长安，郑桂荣，孙艳歌，等. k-means 和逻辑回归混合策略的不平衡类学习方法[J]. 小型微型计算机系统，2017，38（9）：2119-2124.
[10]	王宏杰，师彦文. 结合初始中心优化和特征加权的K-Means聚类算法[J]. 计算机科学，2017（b11）：457-459.

施引文献(14)

期刊类型引用(4)

1.	夏炎，刘诗慧. 国铁集团工程建设标准信息化平台研究. 铁路工程技术与经济. 2021(05): 5-8 . 百度学术
2.	邹葱聪，张宁，吕红霞，邢淼. 铁路信息化标准管理系统方案研究. 交通运输工程与信息学报. 2018(01): 72-78 . 百度学术
3.	张光远，倪少权，郝建平，马驷，鲁工圆. 以智能化为核心的全国铁路列车运行图编制研发实验中心建设. 实验技术与管理. 2017(08): 210-214+218 . 百度学术
4.	周爱玲. 移动接入在铁路信息化的应用分析. 现代经济信息. 2017(14): 41-42 . 百度学术