摘要 | 第4-5页 |
abstract | 第5页 |
第一章 绪论 | 第8-14页 |
1.1 课题研究背景及意义 | 第8-9页 |
1.2 研究现状与发展趋势 | 第9-11页 |
1.2.1 商品推荐算法研究现状及趋势 | 第9-10页 |
1.2.2 K-Means算法研究现状及趋势 | 第10-11页 |
1.2.3 Spark大数据的应用现状 | 第11页 |
1.3 本文研究内容 | 第11-12页 |
1.4 章节安排 | 第12-14页 |
第二章 移动轨迹数据采集及处理 | 第14-19页 |
2.1 采集方式 | 第14-16页 |
2.1.1 基于Cell-ID的采集技术 | 第14-15页 |
2.1.2 GPS定位采集技术 | 第15-16页 |
2.1.3 混合采集技术 | 第16页 |
2.2 数据参数 | 第16-17页 |
2.3 数据预处理 | 第17-18页 |
2.3.1 错误数据的识别 | 第17-18页 |
2.3.2 轨迹数据的格式化 | 第18页 |
2.4 本章小结 | 第18-19页 |
第三章 用户移动轨迹分析处理的框架 | 第19-26页 |
3.1 分布式集群框架 | 第19-22页 |
3.1.1 Spark集群框架的架构 | 第20-21页 |
3.1.2 Spark任务处理流程 | 第21-22页 |
3.1.3 Spark守护进程 | 第22页 |
3.2 图形数据的存储 | 第22-24页 |
3.2.1 Neo4j数据存储方式 | 第22-23页 |
3.2.2 Neo4j数据模型构建 | 第23-24页 |
3.3 数据可视化 | 第24-25页 |
3.4 本章小结 | 第25-26页 |
第四章 热点区域识别和商户推荐算法 | 第26-43页 |
4.1 引言 | 第26-27页 |
4.2 基本定义及描述 | 第27-28页 |
4.3 K-Means聚类算法 | 第28-29页 |
4.3.1 K-Means聚类算法分析 | 第28页 |
4.3.2 K-Means聚类算法存在的不足 | 第28-29页 |
4.4 基于Spark的K-Means聚类改进算法 | 第29-34页 |
4.4.1 聚类数K值确定 | 第29-31页 |
4.4.2 初始中心点确定 | 第31-32页 |
4.4.3 基于Spark的并行算法 | 第32-34页 |
4.5 基于移动轨迹的推荐算法 | 第34-37页 |
4.6 性能分析 | 第37-42页 |
4.6.1 改进算法性能分析 | 第37-40页 |
4.6.2 推荐算法性能分析 | 第40-42页 |
4.7 本章小结 | 第42-43页 |
第五章 系统的设计与实现 | 第43-57页 |
5.1 整体设计方案 | 第43-44页 |
5.2 模块的设计与实现 | 第44-51页 |
5.2.1 预处理模块 | 第45-48页 |
5.2.2 数据格式化模块 | 第48-49页 |
5.2.3 热点区域识别模块 | 第49-51页 |
5.2.4 个性化商户推荐模块 | 第51页 |
5.3 系统的测试和验证 | 第51-56页 |
5.3.1 测试环境 | 第52页 |
5.3.2 测试和验证 | 第52-56页 |
5.4 本章小结 | 第56-57页 |
第六章 总结与展望 | 第57-59页 |
6.1 本文工作 | 第57-58页 |
6.2 未来工作展望 | 第58-59页 |
参考文献 | 第59-62页 |
附录1 攻读硕士学位期间撰写的论文 | 第62-63页 |
附录2 攻读硕士学位期间申请的专利 | 第63-64页 |
致谢 | 第64页 |