| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 1 绪论 | 第10-16页 |
| 1.1 课题研究背景与意义 | 第10页 |
| 1.2 国内外研究现状 | 第10-13页 |
| 1.2.1 短时交通流预测研究现状 | 第10-12页 |
| 1.2.2 路径诱导研究现状 | 第12-13页 |
| 1.2.3 云计算及Hadoop研究现状 | 第13页 |
| 1.3 论文研究内容 | 第13-14页 |
| 1.4 论文组织结构 | 第14-16页 |
| 2 Hadoop平台研究 | 第16-25页 |
| 2.1 Hadoop平台简介 | 第16-17页 |
| 2.2 Hadoop分布式文件系统 | 第17-21页 |
| 2.2.1 HDFS的体系结构 | 第17-18页 |
| 2.2.2 HDFS数据之间的交互 | 第18-19页 |
| 2.2.3 HDFS的存取机制 | 第19-21页 |
| 2.3 Hadoop分布式并行编程计算框架MapReduce | 第21-24页 |
| 2.3.1 MapReduce编程模型 | 第21-22页 |
| 2.3.2 MapReduce作业执行流程 | 第22-24页 |
| 2.3.3 MapReduce作业调优 | 第24页 |
| 2.4 本章小结 | 第24-25页 |
| 3 基于Hadoop平台的短时交通流预测算法研究 | 第25-39页 |
| 3.1 常用短时交通流算法研究比对 | 第25-26页 |
| 3.2 CGABP算法基本原理 | 第26-34页 |
| 3.2.1 BP神经网络算法 | 第26-29页 |
| 3.2.2 混沌遗传算法 | 第29-33页 |
| 3.2.3 混动遗传算法优化BP神经网络算法 | 第33-34页 |
| 3.3 基于MapReduce的CGABP算法设计与实现 | 第34-38页 |
| 3.3.1 CGA-BP算法的MapReduce设计 | 第35页 |
| 3.3.2 CGA-BP算法的MapReduce实现 | 第35-38页 |
| 3.4 本章小结 | 第38-39页 |
| 4 基于Hadoop平台的路径诱导算法研究 | 第39-48页 |
| 4.1 路径诱导算法研究对比 | 第39页 |
| 4.2 改进蚁群算法基本原理 | 第39-45页 |
| 4.2.1 基本蚁群算法 | 第39-43页 |
| 4.2.2 改进蚁群算法 | 第43-45页 |
| 4.3 基于MapReduce的改进蚁群算法设计与实现 | 第45-47页 |
| 4.3.1 改进蚁群算法的MapReduce设计 | 第45-46页 |
| 4.3.2 改进蚁群算法的MapReduce实现 | 第46-47页 |
| 4.4 本章小结 | 第47-48页 |
| 5 实验结果分析 | 第48-62页 |
| 5.1 Hadoop集群环境搭建 | 第48-56页 |
| 5.2 基于MapReduce的CGABP算法实验 | 第56-60页 |
| 5.2.1 实验数据预处理 | 第56页 |
| 5.2.2 单机环境下算法实验结果 | 第56-58页 |
| 5.2.3 Hadoop集群环境下实验结果 | 第58-60页 |
| 5.3 基于MapReduce的改进蚁群算法实验 | 第60-61页 |
| 5.4 本章小结 | 第61-62页 |
| 6 总结与展望 | 第62-64页 |
| 6.1 论文工作总结 | 第62-63页 |
| 6.2 进一步研究展望 | 第63-64页 |
| 致谢 | 第64-65页 |
| 参考文献 | 第65-68页 |
| 攻读学位期间的研究成果 | 第68页 |
