目录
问题复述
在引用enumerate红包的时候,一直有Undefined control sequence. ^^I\end{enumerate}和Missing number, treated as zero. ^^I\end{enumerate}的反复报错,但是没有写错,而且居然可以把它编译出来输出成PDF的形式,虽然不影响文章的书写,但是看到那个报错标志还是觉得很扎眼。
想在这里请教下各位大佬这是什么情况,应该怎么改?
代码展示
我的引用的宏包以及这部分代码如下:
\documentclass[withoutpreface,bwprint]{cumcmthesis} %去掉封面与编号页
\usepackage{caption}
\captionsetup[figure]{font=bf, name=图, labelsep=period} %使得图片不加粗
\usepackage{subfigure} %用于排版多张图片
\usepackage{float} %用于排版图片位置
\usepackage{enumerate}
\usepackage{graphicx}
\bibliographystyle{plain} %引用样式,参考文献
\usepackage{url}
\begin{enumerate}
\item[(1)] 对正常数据的去量纲化以及相关处理
\item[(2)] 对异常以及缺失值的填充处理
\end{enumerate}
报错结果如上。
也可以输出,输出结果如上,没有什么问题。
好神奇...虚心求教!!!谢谢各位大佬。
————————————————————————————————————-——————全部代码如下(是和B站一个阿婆主那里找的模板,他的名字是Superior-Leo.但是这部分是我自己修改的,所以出现了bug)
完整代码
% !Mode:: "TeX:UTF-8"
%!TEX program = xelatex
%\documentclass{cumcmthesis}
\documentclass[withoutpreface,bwprint]{cumcmthesis} %去掉封面与编号页
\usepackage{caption}
\captionsetup[figure]{font=bf, name=图, labelsep=period} %使得图片不加粗
\usepackage{subfigure} %用于排版多张图片
\usepackage{float} %用于排版图片位置
%\usepackage {indentfirst}%首行缩进量
\usepackage{graphicx}
\bibliographystyle{plain} %引用样式,参考文献
\usepackage{url}
\usepackage{enumerate}
\title{北京移动用户体验影响因素研究}
\begin{document}
\maketitle
\begin{abstract}
公交车是为市民出行提供服务的“准公共”产品。然后针对不同区域不同时间段的人流量情况,我们需要对公交车进行一定的调度,以使得在增加盈利的同时,兼顾“尽可能减少私家车使用以缓解城市交通拥堵”和“尽量让公众满意”两大目标。本文通过给出合理的“高峰”和“平峰”的定义,并在此基础上给出在转换期的最优化分布调度方案,最后在此基础上给出平峰和高峰的预测方法并对其进行验证。
\keywords{排队论\quad 调度模型\quad }
\end{abstract}
%目录
%\tableofcontents
%新的一页
%\newpage
\section{问题重述}
1. 给出一条公交线路“高峰”和“平峰”的定义,并说明其合理性。
2. 对高峰和平峰任意给定的一组数据,给出“转换期”的调度方案,并说明在什么指标下,该方案是可行的、最优的。进一步,讨论调度方案对参数的稳健性和敏感性。
3. 给出“高峰”和“平峰”的预测方法。
4. 试通过实际运行数据验证你的结果。
\section{问题分析}
\subsection{问题一}
问题一需要给出高峰和低峰的定义,而高峰是指运营总收入与运营总成本之差不小于一个给定的“阈值”时段,则此问题便转换为定义一个“阈值”进而对高峰和低峰进行二次定义,在此基础上,我们定义“阈值”为界定高峰和低峰的一个值。为对此定义进行合理性分析,我们将其放入具体环境,利用排队论单目标混合模型,通过验证其在此环境下的阈值处的顾客损失率恰好小于一证明顾客恰好不用等下一辆,因此证明在此定义的阈值处,刚好是高峰和低峰的分解处,则说明该定义合理。
\subsection{问题二}
在给定某路段的高峰和低峰的基础上,为使得在乘客数下降和恢复的过程中,保证阈值的下界不被突破,我们通过相应的改变发车频率进行分步调控,给出最终的调度方案,使得盈利的大小超过阈值。
将人流量作为研究指标,并通过得到调度前后各时间段盈利额与阈值的比较图,若调度后每一个时间段的盈利额都在阈值界限上方,则说明此调度方案是合理的;通过将此调度方案放入不同人流量情况下,以步长为1遍历得出可行域,则在该可行域内,该方案是可行的、最优的。最后对其进行灵敏度分析。
\subsection{问题三}
根据所选择数据的特点,采取时间时序模型的简单移动平均法。
\subsection{问题四}
为验证问题三所给出的预测方法,在给定数据集下,首先利用问题二所给出的调度模型进行调度,并观察调度后利润与阈值对比图,若绝大多数时间段利润都在阈值上方,说明问题二的模型调度方案合理。并代入问题三预测模型进行预测,若在可接受误差范围,则说明问题三所给的预测模型是正确的。
\section{模型假设}
本文提出以下合理假设:
\begin{itemize}
\item 假设该线路上运行的是同一钟类型的公交车;
\end{itemize}
\section{符号说明}
\begin{center}
\begin{tabular}{cc}
\toprule[1.5pt]
\makebox[0.3\textwidth][c]{符号} & \makebox[0.4\textwidth][c]{意义} \\
\midrule[1pt]
$ W $ & 某一小时内该路段运行总收益-总成本 \\
$ W_0 $ & 区分高峰和低峰的一个临界值 \\
$ P $ & 线路在一小时内所有站的总上车人数 \\
$ x $ & 线路在一小时内的车辆数 \\
$ T_t $ & 长期趋势项 \\
$ M_t $ & 简单移动平均项 \\
\bottomrule[1.5pt]
\end{tabular}
\end{center}
\section{问题一求解}
\subsection{数据预处理}
\subsubsection{语音业务的数据处理}
\begin{enumerate}[(1)]
\item \textbf{对正常数据的去量纲化以及相关处理}
在对语音业务的众多影响因素的处理过程中,由于附件1中所给出的数据较为杂乱,我们根据附件5中对其的字段说明将各个因素的对应结果处理为我们后续需要的结果,具体的处理对象以及操作如下:
\item 对异常以及缺失值的填充处理
\item 数据可视化处理
\end{enumerate}
\subsubsection{上网业务的数据处理}
\subsection{独热编码}
(1)模型说明
为证明上诉定义合理,我们将该定义放入具体的数据中证明。
假定某条道路一辆车的成本为200元,一人收价为1元,车载人数为84人,发车间隔为5min,则一小时内该线路共有12量正在运行车辆。按照定义阈值$W_0 = 691$,则我们可以计算出此时总人流量$P = 691 + 12 \times 200 = 3091$。进而该问题便转换为排队论中的单服务台混合制模型 \cite{司守奎} ,通过判断在给定条件下计算出的顾客损失率来验证前面阈值的定义是否合理。
讲解图片点以及引用
\begin{figure}[H]
\caption{问题一模型示意图}
\label{paiduimx}
\centering
\includegraphics[width=.6\textwidth]{排队论模型.png}
\end{figure}
如图\ref{paiduimx}所示,在给定“阈值”的情况下,若此时顾客损失率刚好小于1,说明此时顾客数量处于刚好不拥堵的情况;高于此阈值,顾客只能等待下一辆车,则将会出现高峰现象;同理,低于此阈值,则说明此时的顾客都能乘车,为平峰状态。
(2)模型建立
单服务台混合制模型 \cite{司守奎} M/M/1/K 是指:顾客的相继到达时间服从参数为$\lambda$的负指数分布,服务台个数为1,服务时间 V 服从参数为 $\mu$ 的负指数分布,系统的空间为 K ,当 K 个位置已被顾客占用时,新到的顾客自动离去,当系统中有空位置时,新到的顾客进入系统排队等待。在此模型基础上可以得到下列公式:
讲解公式以及引用
\begin{equation}
\label{gkssl}
p_{n} =\rho^{n} p_{0}, \quad n=1,2, \cdots, K
\end{equation}
其中:
\begin{align*}
p_{0} &=\frac{1}{1+\sum_{n=1}^{K} \rho^{n}}=\left\{\begin{array}{ll}
\frac{1-\rho}{1-\rho^{K+1}}, & \rho \neq 1 \\
\frac{1}{K+1}, & \rho=1
\end{array}\right. \\
\lambda_{n} &=\left\{\begin{array}{ll}
\lambda, & n=0,1,2, \cdots, K-1 \\
0, & n \geq K
\end{array}\right. \\
\mu_{n} &=\mu, \quad n=1,2, \cdots, K
\end{align*}
(3)模型求解
在$W_0 = 691 \quad W = 3091$ 的条件下,查阅相关文献\cite{__2018}可得此时一站台最高人数大约为总人数的$\frac{1}{3}$,即K=1020,最终计算此时的顾客损失率。排队论计算各参数值如表\ref{table_gk}:
这里讲述一下普通表格的引用以及改变
\begin{table}[H]
\centering
\caption{顾客损失率计算参数值}
\label{table_gk}
\begin{tabular}{cc}
\toprule[1.5pt]
\makebox[0.3\textwidth][c]{参数} & \makebox[0.4\textwidth][c]{数值} \\
\midrule[1pt]
$ \lambda $ & 85 \\
$ \mu $ & 84 \\
$ \rho $ & 1.011905 \\
K & 1020 \\
$ P_0 $ & $ 6.7321 \times 10^{-7} $ \\
\bottomrule[1.5pt]
\end{tabular}
\end{table}
可以得到此时的顾客损失率为:$ 0.0118 $。说明当$W_0 = 691$,此时一辆车载人数为84人,顾客损失率刚好不超过一个人,不会出现乘客无法乘车的现象。若高于此阈值,顾客损失率大于一,将会出现高峰;若小于此阈值,顾客损失率小于一,处于平峰区,说明此阈值定义合理。
\end{document}