| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-16页 |
| 1.1 研究背景 | 第10-11页 |
| 1.2 研究现状 | 第11-13页 |
| 1.3 研究内容 | 第13页 |
| 1.4 论文结构 | 第13-16页 |
| 第二章 相关技术综述 | 第16-26页 |
| 2.1 Hadoop | 第16-17页 |
| 2.1.1 Hadoop简介 | 第16页 |
| 2.1.2 HDFS | 第16-17页 |
| 2.2 Spark | 第17-21页 |
| 2.2.1 Spark简介 | 第17-18页 |
| 2.2.2 RDD简介 | 第18页 |
| 2.2.3 Spark组件 | 第18-19页 |
| 2.2.4 Spark架构 | 第19-21页 |
| 2.3 DL4J | 第21-24页 |
| 2.3.1 DL4J简介 | 第21-22页 |
| 2.3.2 DL4J组件 | 第22-23页 |
| 2.3.3 DL4J on Spark | 第23-24页 |
| 2.4 本章小结 | 第24-26页 |
| 第三章 基于Spark的关联分析算法和时序预测算法的研究 | 第26-44页 |
| 3.1 引言 | 第26页 |
| 3.2 关联规则算法 | 第26-38页 |
| 3.2.1 关联规则算法简介 | 第26-27页 |
| 3.2.2 基于RoraingBitMap的关联规则Eclat算法(RBM-Eclat) | 第27-31页 |
| 3.2.3 并行RBM-Eclat算法的测试与验证 | 第31-34页 |
| 3.2.4 基于滑动窗口的多维时序关联规则算法(MTAR) | 第34-36页 |
| 3.2.5 并行MTAR算法的测试与验证 | 第36-38页 |
| 3.3 时序预测算法 | 第38-43页 |
| 3.3.1 循环网络RNN (Recurrent Neural Networks) | 第38-39页 |
| 3.3.2 短时长记忆循环网络LSTM(Long Short-Term Memory) | 第39-42页 |
| 3.3.3 基于LSTM on Spark的时序预测算法 | 第42-43页 |
| 3.4 本章小结 | 第43-44页 |
| 第四章 电网设备故障分析及用电量预测 | 第44-56页 |
| 4.1 引言 | 第44页 |
| 4.2 基于多维时序关联规则算法的输电线路故障分析 | 第44-51页 |
| 4.2.1 数据集介绍 | 第44-45页 |
| 4.2.2 处理步骤 | 第45-47页 |
| 4.2.3 实验结果 | 第47-51页 |
| 4.3 基于LSTM的用电量预测 | 第51-55页 |
| 4.3.1 数据集介绍 | 第51页 |
| 4.3.2 处理步骤 | 第51-54页 |
| 4.3.3 实验结果 | 第54-55页 |
| 4.4 本章小结 | 第55-56页 |
| 第五章 算法在BDAP大数据分析平台中的集成 | 第56-78页 |
| 5.1 BDAP平台简介 | 第56-72页 |
| 5.1.1 平台实施方案 | 第56-57页 |
| 5.1.2 平台基础功能设计与实现 | 第57-72页 |
| 5.2 电网数据分析模块系统集成 | 第72-77页 |
| 5.2.1 OSGI工作流机制 | 第72-73页 |
| 5.2.2 电网数据分析应用流程 | 第73-77页 |
| 5.3 本章小结 | 第77-78页 |
| 第六章 总结和展望 | 第78-80页 |
| 6.1 论文总结 | 第78-79页 |
| 6.2 研究展望 | 第79-80页 |
| 参考文献 | 第80-82页 |
| 致谢 | 第82-83页 |
| 攻读硕士研究生期间发表的论文 | 第83页 |
| 攻读硕士研究生期间发表的专利 | 第83页 |
