本文是深圳地铁王新宇就深圳地铁段场创新管理模式探索与实践等内容进行的综合性汇报材料，包括了深圳地铁段场创新管理模式的实践过程介绍，以及段场管理未来的规划和展望。

（1）学会解决帧的同步和频偏校正问题； （2）理解帧的同步和频偏校正的原理； （3）实现基于训练序列的相关性的帧同步和基于Moose算法的频偏校正。 【实验原理】  数据帧 数据帧的格式为：保护位+帧同步位+信息位+保护位，其中： 保护位：降低前后帧之间的影响，并提高同步质量（本实验没有加保护位）； 同步位：训练序列，本次实验使用巴克码，要求自相关性好； 信息位：有效的发送信息。  训练序列 训练序列的优劣决定了信道均衡性能的好坏，训练序列越长则信道估计效果越好。一般而言， 用来同步的训练序列有着非常强的自相关性（即自相关峰值高，互相关值低）。训练序列常用于参 考信号，帧同步码。其中，常用的训练序列有 Barker 码、Frank 序列、Zadoff-Chu 序列、Gold 序列 （本次实验采用 Barker 码）。  帧同步

大湾区地铁规划图， 深圳地铁规划图， 广州地铁规划图， 东莞地铁规划图， 2019最新地铁规划图

本数据坐标系为WGS84投影坐标系，格式为shp文件，包含深圳市截止2021年初所有的地铁线路及其站点矢量数据，数据来源为互联网地图抽取。 shp格式的线数据，包括属性数据，可直接用ArcGIS、Skyline等软件打开。

深圳地铁施工组织设计方案（明、暗挖）.doc

深圳-地铁和地铁站矢量shp数据-wgs84坐标系-2021年4月最新.zip

深圳地铁大数据客流分析系统 如果图片不能正常显示请移步码云地址： 项目参考 本项目借鉴了 SZT-bigdata 深圳地铁大数据客流分析系统 ，对数据处理部分进行了借鉴，并在原作者的框架下进行了大量改动，原作者使用数据仓库的模式对数据进行查询和可视化取得了非常不俗的成果，本人由于时间原因和数据集规模不算特别大(百万级)没有走数据仓库的技术路线，使用 Flink 完成数据清洗和聚合后，再使用 Elasticsearch + Kibana 的的技术路线，完成了客流信息，地铁收入、乘客车费、乘车区间和乘车时间的查询和可视化。在此基础上，还使用 Flink 实现了计算各线路、站点和乘车区间的客流信息等实时计算功能，并将实时计算的结果写入到Hbase中，供下游业务查询使用。 再次对原作者的非凡的技术成果表示感谢，本人深受启发。原作者优秀的数仓建模和查询分析也已经列入本人后续的学习计划。 1 数据集

深圳地铁规划图 2029 ,版权属于tielumi@qq.com

2020年深圳地铁站点经纬度

北京、上海、广州、深圳地铁站点及坐标。地铁站点和坐标均根据百度地图信息进行整理，站点名与百度地铁图相同，坐标通过百度地图抓取，并进行手工校正。