| 摘要 | 第7-8页 |
| Abstract | 第8-9页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 论文的研究背景与意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-14页 |
| 1.2.1 用户行为分析研究现状 | 第11-12页 |
| 1.2.2 Hadoop大数据应用研究现状 | 第12-14页 |
| 1.3 论文主要工作与结构安排 | 第14-16页 |
| 第2章 移动大数据Hadoop平台介绍 | 第16-25页 |
| 2.1 移动大数据的特点与分析难点 | 第16-17页 |
| 2.2 移动大数据Hadoop平台 | 第17-23页 |
| 2.2.1 系统架构 | 第17-18页 |
| 2.2.2 关键技术 | 第18-22页 |
| 2.2.3 计算集群 | 第22-23页 |
| 2.3 移动大数据Hadoop平台功能 | 第23-24页 |
| 2.4 本章小结 | 第24-25页 |
| 第3章 基于移动大数据Hadoop平台的用户行为分析 | 第25-38页 |
| 3.1 项目背景 | 第25页 |
| 3.2 需求分析 | 第25-26页 |
| 3.3 用户流动行为分析流程 | 第26页 |
| 3.4 数据来源 | 第26-28页 |
| 3.4.1 MC信令数据 | 第27页 |
| 3.4.2 GN信令数据 | 第27-28页 |
| 3.4.3 基站参数表 | 第28页 |
| 3.5 数据预处理 | 第28-34页 |
| 3.5.1 预处理步骤 | 第28-31页 |
| 3.5.2 预处理结果与可视化 | 第31-34页 |
| 3.6 用户流动性与流量分析 | 第34-37页 |
| 3.6.1 用户流动性分析 | 第34-35页 |
| 3.6.2 用户流量分析 | 第35页 |
| 3.6.3 用户流动性与流量关系分析 | 第35-37页 |
| 3.6.4 相关应用 | 第37页 |
| 3.7 本章小结 | 第37-38页 |
| 第4章 基于K-means改进算法的用户流量聚类分析 | 第38-52页 |
| 4.1 K-means改进算法 | 第38-41页 |
| 4.1.1 K-means算法介绍 | 第38-39页 |
| 4.1.2 K-means算法局限与改进 | 第39页 |
| 4.1.3 K-means改进算法的理论依据 | 第39-40页 |
| 4.1.4 K-means改进算法流程 | 第40-41页 |
| 4.2 实现方案 | 第41-44页 |
| 4.2.1 算法流程 | 第41-43页 |
| 4.2.2 Map Reduce阶段 | 第43-44页 |
| 4.3 实验环境 | 第44-46页 |
| 4.3.1 架构设计 | 第44-45页 |
| 4.3.2 Hadoop环境 | 第45-46页 |
| 4.4 实验结果 | 第46-51页 |
| 4.4.1 单机K-means算法和改进K-means算法对用户流量聚类分析性能对比 | 第46-50页 |
| 4.4.2 单机和Hadoop集群对用户流量K-means聚类分析性能对比 | 第50-51页 |
| 4.5 本章小结 | 第51-52页 |
| 第5章 总结与展望 | 第52-54页 |
| 参考文献 | 第54-58页 |
| 致谢 | 第58页 |
