摘要 | 第5-6页 |
ABSTRACT | 第6-7页 |
第1章 绪论 | 第10-14页 |
1.1 研究背景 | 第10-11页 |
1.2 研究意义 | 第11页 |
1.3 硕士研究生期间的工作总结 | 第11-12页 |
1.4 论文组织结构 | 第12-14页 |
第2章 背景理论及相关技术介绍 | 第14-20页 |
2.1 客流预测的背景及现状 | 第14-15页 |
2.2 时空客流模型及应用 | 第15-16页 |
2.3 常用聚类算法 | 第16-17页 |
2.3.1 划分的聚类算法 | 第16-17页 |
2.3.2 层次的聚类算法 | 第17页 |
2.4 并行计算框架Spark | 第17-19页 |
2.4.1 Spark概述 | 第17-18页 |
2.4.2 弹性分布式数据集RDD | 第18-19页 |
2.5 本章小结 | 第19-20页 |
第3章 需求与关键问题 | 第20-32页 |
3.1 数据特点与分析 | 第20-23页 |
3.1.1 地铁购票数据描述 | 第20-21页 |
3.1.2 客流的时间与空间属性 | 第21-22页 |
3.1.3 第三方用户消费数据 | 第22-23页 |
3.2 时间序列模型 | 第23-28页 |
3.2.1 时间序列模型ARIMA概述 | 第23-25页 |
3.2.2 ARIMA建模关键问题 | 第25-27页 |
3.2.3 ARIMA建模流程 | 第27-28页 |
3.3 时空客流模型 | 第28-31页 |
3.3.1 时空模型概述 | 第28-29页 |
3.3.2 时空建模关键问题 | 第29-30页 |
3.3.3 时空建模流程 | 第30-31页 |
3.4 本章小结 | 第31-32页 |
第4章 时间序列模型在客流预测中的应用 | 第32-39页 |
4.1 建模流程与客流数据预处理 | 第32-33页 |
4.2 时间序列模型应用于单站点客流预测 | 第33-36页 |
4.2.1 客流序列分析与平稳性检验 | 第33-34页 |
4.2.2 ARIMA模型阶数、参数估计,残差分析 | 第34-36页 |
4.2.3 单站点客流预测与分析 | 第36页 |
4.3 时间序列模型应用于多站点客流预测 | 第36-38页 |
4.3.1 构建SVR对比模型 | 第36-37页 |
4.3.2 多站点客流预测与模型对比 | 第37-38页 |
4.3.3 实验结果分析 | 第38页 |
4.4 本章小结 | 第38-39页 |
第5章 时空相关的客流模型 | 第39-48页 |
5.1 建模流程与客流数据预处理 | 第39-40页 |
5.2 基于时间因子的多站点客流预测 | 第40-44页 |
5.2.1 结合客流的时间相似度定义 | 第40-41页 |
5.2.2 基于时间因子的客流预测与分析 | 第41-44页 |
5.3 基于空间因子的多站点客流预测 | 第44-46页 |
5.3.1 结合客流的空间因子相似度定义 | 第44页 |
5.3.2 基于空间因子的客流预测与分析 | 第44-46页 |
5.4 本章小结 | 第46-48页 |
第6章 时空相关客流预测的实现和测试 | 第48-67页 |
6.1 实验系统和建模流程 | 第48-50页 |
6.1.1 单机实验环境 | 第48页 |
6.1.2 分布式实验环境 | 第48-49页 |
6.1.3 时空相关客流预测模型建模流程 | 第49-50页 |
6.2 客流预测结果评价 | 第50-51页 |
6.2.1 预测误差评价 | 第50页 |
6.2.2 模型运行效率评价 | 第50-51页 |
6.3 客流模型实现与客流预测测试 | 第51-58页 |
6.3.1 基于时间因子与空间因子的相似度实现 | 第51-52页 |
6.3.2 串行聚类算法实现 | 第52-55页 |
6.3.3 时空相关客流预测测试与分析 | 第55-58页 |
6.4 时空因子聚类的并行实现与效率测试 | 第58-65页 |
6.4.1 时空因子并行聚类算法设计思路 | 第58-59页 |
6.4.2 时空因子并行聚类算法的实现 | 第59-61页 |
6.4.3 时空聚类算法效率测试与分析 | 第61-65页 |
6.5 本章小结 | 第65-67页 |
第7章 总结与展望 | 第67-69页 |
7.1 论文总结 | 第67-68页 |
7.2 工作展望 | 第68-69页 |
参考文献 | 第69-73页 |
附录 | 第73-77页 |
致谢 | 第77-78页 |
攻读学位期间发表的学术论文目录 | 第78页 |