| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-16页 |
| 1.1 课题研究背景及意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-14页 |
| 1.2.1 面向交通流数据分析的伴随车行为和浮动车聚集行为研究现状 | 第12-13页 |
| 1.2.2 Hadoop技术在交通流数据分析中的应用研究现状 | 第13-14页 |
| 1.3 本文研究内容 | 第14-15页 |
| 1.4 本文组织结构 | 第15-16页 |
| 第二章 基于Hadoop的海量交通流分析相关技术 | 第16-27页 |
| 2.1 面向交通流分析的伴随车行为模式挖掘相关算法 | 第16-17页 |
| 2.2 面向交通流分析的浮动车聚集行为模式挖掘相关算法 | 第17-18页 |
| 2.3 构建基于Hadoop生态系统的交通流数据分析平台 | 第18-24页 |
| 2.3.1 Hadoop生态系统 | 第18-20页 |
| 2.3.2 Hadoop框架研究 | 第20-22页 |
| 2.3.3 HBase分布式数据库研究 | 第22-23页 |
| 2.3.4 Spark框架研究 | 第23-24页 |
| 2.4 交通流数据预处理 | 第24-26页 |
| 2.4.1 卡口过车数据预处理 | 第24-25页 |
| 2.4.2 浮动车数据预处理 | 第25-26页 |
| 2.5 本章小结 | 第26-27页 |
| 第三章 面向海量交通流数据的伴随车行为模式研究 | 第27-40页 |
| 3.1 问题描述 | 第27-28页 |
| 3.2 伴随车行为模式定义 | 第28-29页 |
| 3.3 伴随车行为模式挖掘 | 第29-33页 |
| 3.3.1 基本思想 | 第29-31页 |
| 3.3.2 应用举例 | 第31-32页 |
| 3.3.3 伴随嫌疑度 | 第32-33页 |
| 3.4 实验结果与讨论 | 第33-39页 |
| 3.4.1 相关类实现 | 第33-35页 |
| 3.4.2 实验结果描述 | 第35-36页 |
| 3.4.3 实验结果讨论 | 第36-39页 |
| 3.5 本章小结 | 第39-40页 |
| 第四章 面向海量交通流数据的浮动车聚集行为模式研究 | 第40-50页 |
| 4.1 问题描述 | 第40页 |
| 4.2 浮动车聚集行为模式定义 | 第40-41页 |
| 4.3 浮动车聚集行为模式实时监测算法 | 第41-47页 |
| 4.3.1 网格模型 | 第41-42页 |
| 4.3.2 定时执行 | 第42-43页 |
| 4.3.3 历史阈值 | 第43-44页 |
| 4.3.4 聚集结果表 | 第44-45页 |
| 4.3.5 具体步骤 | 第45-47页 |
| 4.4 实验结果与讨论 | 第47-49页 |
| 4.4.1 实验环境配置 | 第47-48页 |
| 4.4.2 实验结果讨论 | 第48-49页 |
| 4.5 本章小结 | 第49-50页 |
| 第五章 基于Hadoop的交通大数据分析平台 | 第50-59页 |
| 5.1 大数据平台搭建 | 第50-55页 |
| 5.1.1 基础环境搭建 | 第50-51页 |
| 5.1.2 安装Hadoop | 第51-53页 |
| 5.1.3 安装HBase | 第53-54页 |
| 5.1.4 安装Spark | 第54-55页 |
| 5.2 基于Hadoop的交通大数据分析平台实现 | 第55-58页 |
| 5.2.1 平台架构 | 第55-56页 |
| 5.2.2 平台实现 | 第56-58页 |
| 5.3 本章小结 | 第58-59页 |
| 第六章 总结与展望 | 第59-61页 |
| 6.1 本文工作总结 | 第59-60页 |
| 6.2 未来展望 | 第60-61页 |
| 致谢 | 第61-62页 |
| 参考文献 | 第62-67页 |
| 附录 | 第67-68页 |
| 详细摘要 | 第68-70页 |
