基于浮动车轨迹的数据挖掘及其在现代物流中的应用分析
| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 1 绪论 | 第8-14页 |
| 1.1 研究背景及意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-11页 |
| 1.2.1 国外研究现状 | 第9-10页 |
| 1.2.2 国内研究现状 | 第10-11页 |
| 1.3 主要研究内容 | 第11-12页 |
| 1.4 论文组织结构 | 第12-14页 |
| 2 理论及算法研究 | 第14-28页 |
| 2.1 浮动车轨迹特点及误差处理 | 第14-15页 |
| 2.2 数据预处理相关理论及算法 | 第15-18页 |
| 2.2.1 数据滤波算法 | 第15-16页 |
| 2.2.2 概率统计 | 第16页 |
| 2.2.3 Douglas-Peucker算法 | 第16-18页 |
| 2.3 数据可视化方法 | 第18-20页 |
| 2.4 聚类分析理论及算法 | 第20-27页 |
| 2.4.1 向量距离计算及理论 | 第20-23页 |
| 2.4.2 基于划分的聚类算法 | 第23-24页 |
| 2.4.3 层次聚类方法 | 第24-25页 |
| 2.4.4 DBSCAN算法 | 第25-26页 |
| 2.4.5 聚类效果评价指标 | 第26-27页 |
| 2.5 本章小结 | 第27-28页 |
| 3 基于Hadoop平台的数据处理 | 第28-36页 |
| 3.1 课题数据来源 | 第28页 |
| 3.2 Hadoop平台及其生态系统 | 第28-31页 |
| 3.2.1 HDFS分布式文件系统 | 第29-30页 |
| 3.2.2 Spark基本原理 | 第30-31页 |
| 3.3 Hadoop+Spark集群环境搭建 | 第31-33页 |
| 3.4 数据预处理流程及方法 | 第33-34页 |
| 3.5 处理结果与分析 | 第34-35页 |
| 3.6 本章小结 | 第35-36页 |
| 4 道路交通时间特性及其可视化和应用分析 | 第36-44页 |
| 4.1 浮动车轨迹数据的整体分析 | 第36-37页 |
| 4.2 日出行总量特性 | 第37-40页 |
| 4.2.1 日出行总次数 | 第37-38页 |
| 4.2.2 各时段出行次数 | 第38-40页 |
| 4.3 出行高峰时段分布 | 第40-41页 |
| 4.4 浮动车辆空驶率特性 | 第41-43页 |
| 4.5 本章小结 | 第43-44页 |
| 5 城市交通空间热点区域分布 | 第44-56页 |
| 5.1 聚类算法 | 第44-50页 |
| 5.1.1 基于划分的Kmeans算法 | 第44-46页 |
| 5.1.2 凝聚式层次聚类算法 | 第46-47页 |
| 5.1.3 基于密度的DBSCAN算法 | 第47-50页 |
| 5.1.4 对比分析 | 第50页 |
| 5.2 交通热点区域分布 | 第50-54页 |
| 5.2.1 节假日热点区域分布 | 第50-51页 |
| 5.2.2 工作日热点区域分布 | 第51-53页 |
| 5.2.3 周末热点区域分布 | 第53-54页 |
| 5.3 交通热点及其在现代物流中的应用分析 | 第54-55页 |
| 5.4 本章小结 | 第55-56页 |
| 6 基于浮动车轨迹的数据挖掘系统设计及实现 | 第56-62页 |
| 6.1 框架设计 | 第56页 |
| 6.2 实现步骤 | 第56-60页 |
| 6.3 本章小结 | 第60-62页 |
| 7 总结与展望 | 第62-64页 |
| 7.1 总结 | 第62页 |
| 7.2 展望 | 第62-64页 |
| 致谢 | 第64-66页 |
| 参考文献 | 第66-70页 |
| 硕士学位期间取得的科研成果 | 第70页 |
