| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-14页 |
| 1.1 研究背景 | 第10页 |
| 1.2 研究意义 | 第10-11页 |
| 1.3 研究现状和创新点 | 第11-12页 |
| 1.4 论文结构 | 第12-14页 |
| 第二章 大数据处理相关技术介绍 | 第14-24页 |
| 2.1 HDFS介绍 | 第14-17页 |
| 2.2 Spark计算框架 | 第17-21页 |
| 2.2.1 RDD | 第17-18页 |
| 2.2.2 Spark运行模式及执行流程 | 第18-19页 |
| 2.2.3 Spark SQL介绍 | 第19-21页 |
| 2.3 数据采集系统 | 第21-22页 |
| 2.4 本章小结 | 第22-24页 |
| 第三章 热点基站定义及分析 | 第24-38页 |
| 3.1 基于熵权法的热点基站定义 | 第24-27页 |
| 3.2 基站时间维度分析 | 第27-30页 |
| 3.2.1 活跃基站时间维度分布 | 第27-28页 |
| 3.2.2 热点基站时间维度分布 | 第28-30页 |
| 3.3 基站空间维度分析 | 第30-32页 |
| 3.3.1 坐标系概述 | 第30-31页 |
| 3.3.2 热点基站空间维度分布 | 第31-32页 |
| 3.4 基站网址类别分析 | 第32-37页 |
| 3.4.1 基于朴素贝叶斯的网址分类 | 第33-35页 |
| 3.4.2 基于TF-IDF的网址类别分析 | 第35-37页 |
| 3.5 本章小结 | 第37-38页 |
| 第四章 基站连接人数预测 | 第38-54页 |
| 4.1 基于时间序列的连接人数预测 | 第38-47页 |
| 4.1.1 时间序列预测模型概述 | 第38-39页 |
| 4.1.2 ARMA模型 | 第39页 |
| 4.1.3 SVR模型 | 第39-40页 |
| 4.1.4 LSTM模型 | 第40-42页 |
| 4.1.5 实验及结果分析 | 第42-47页 |
| 4.2 基于基站时空特征的连接人数预测 | 第47-51页 |
| 4.2.1 模型介绍 | 第47-49页 |
| 4.2.2 实验及结果分析 | 第49-51页 |
| 4.3 本章小结 | 第51-54页 |
| 第五章 基于Spark的基站流量分析系统设计与实现 | 第54-68页 |
| 5.1 流量分析系统介绍 | 第54-56页 |
| 5.2 Spark Shell模块设计与实现 | 第56-60页 |
| 5.2.1 模块功能和实现方案介绍 | 第56-58页 |
| 5.2.2 模块界面展示 | 第58-60页 |
| 5.3 Spark SQL模块设计与实现 | 第60-64页 |
| 5.3.1 模块功能和实现方案介绍 | 第60-63页 |
| 5.3.2 模块界面展示 | 第63-64页 |
| 5.4 Spark作业提交模块设计与实现 | 第64-66页 |
| 5.4.1 模块功能及实现方案介绍 | 第64-65页 |
| 5.4.2 模块界面展示 | 第65-66页 |
| 5.5 本章小结 | 第66-68页 |
| 第六章 总结与展望 | 第68-70页 |
| 6.1 全文工作总结 | 第68-69页 |
| 6.2 展望 | 第69-70页 |
| 参考文献 | 第70-74页 |
| 致谢 | 第74-76页 |
| 攻读学位期间发表的学术论文目录 | 第76页 |