| 摘要 | 第3-5页 |
| abstract | 第5-6页 |
| 1 绪论 | 第9-19页 |
| 1.1 研究背景及意义 | 第9页 |
| 1.2 国内外研究现状与发展趋势 | 第9-17页 |
| 1.2.1 高速列车发展现状 | 第10-11页 |
| 1.2.2 大数据技术研究现状与发展趋势 | 第11-12页 |
| 1.2.3 科学数据压缩理论研究现状与发展趋势 | 第12-14页 |
| 1.2.4 关联规则挖掘的研究现状与发展趋势 | 第14-17页 |
| 1.3 论文研究内容及组织结构 | 第17-19页 |
| 2 相关技术和理论 | 第19-29页 |
| 2.1 分布式计算框架 | 第19-23页 |
| 2.1.1 分布式计算环境 | 第19-20页 |
| 2.1.2 Hadoop2集群框架 | 第20-23页 |
| 2.2 科学数据压缩基本理论 | 第23-25页 |
| 2.3 数据关联分析方法 | 第25-28页 |
| 2.3.1 原始数据预处理方法 | 第25-27页 |
| 2.3.2 数据关联分析方法 | 第27-28页 |
| 2.4 本章小结 | 第28-29页 |
| 3 高速列车监测数据压缩方法研究 | 第29-41页 |
| 3.1 问题描述 | 第29页 |
| 3.2 原始数据分析 | 第29-30页 |
| 3.3 DTMI压缩算法设计 | 第30-34页 |
| 3.4 P-DTMI压缩算法设计 | 第34-36页 |
| 3.5 实验结果与分析 | 第36-39页 |
| 3.6 本章小结 | 第39-41页 |
| 4 高速列车监测数据趋势关联分析方法研究 | 第41-59页 |
| 4.1 问题描述 | 第41页 |
| 4.2 改进的FP-Growth算法设计 | 第41-47页 |
| 4.2.1 FP-Growth算法简介 | 第41-44页 |
| 4.2.2 FP-Growth算法改进 | 第44-47页 |
| 4.3 基于Hadoop集群的并行FP-Growth算法设计 | 第47-50页 |
| 4.4 实验结果与分析 | 第50-57页 |
| 4.4.1 算法处理流程 | 第50-53页 |
| 4.4.2 实验结果与分析 | 第53-57页 |
| 4.5 本章小结 | 第57-59页 |
| 5 高速列车监测数据存储与趋势关联性分析原型系统设计 | 第59-66页 |
| 5.1 系统背景 | 第59页 |
| 5.2 数据存储方案与原型系统设计 | 第59-63页 |
| 5.3 数据趋势关联关系分析方案与原型系统设计 | 第63-65页 |
| 5.4 本章小结 | 第65-66页 |
| 6 研究总结与展望 | 第66-68页 |
| 6.1 研究总结 | 第66-67页 |
| 6.2 工作展望 | 第67-68页 |
| 致谢 | 第68-69页 |
| 参考文献 | 第69-73页 |
| 攻读硕士期间研究成果 | 第73页 |