| 摘要 | 第3-4页 |
| abstract | 第4-5页 |
| 1 绪论 | 第8-17页 |
| 1.1 研究背景及研究意义 | 第8-10页 |
| 1.2 国内外研究动态 | 第10-15页 |
| 1.2.1 交通状态判别的国内外研究现状 | 第10-14页 |
| 1.2.2 大数据技术的国内外研究与应用现状 | 第14-15页 |
| 1.3 课题主要研究内容 | 第15-17页 |
| 2 基本理论介绍 | 第17-35页 |
| 2.1 数据预处理 | 第17-21页 |
| 2.1.1 数据清洗 | 第18页 |
| 2.1.2 数据集成 | 第18-19页 |
| 2.1.3 数据转换 | 第19-20页 |
| 2.1.4 数据归约 | 第20-21页 |
| 2.2 常用数据挖掘算法 | 第21-26页 |
| 2.2.1 人工神经网络 | 第22-23页 |
| 2.2.2 聚类分析 | 第23-26页 |
| 2.3 交通状态判别技术 | 第26-29页 |
| 2.3.1 交通流采集技术 | 第26-27页 |
| 2.3.2 交通状态判别基础 | 第27-29页 |
| 2.4 大数据关键技术 | 第29-34页 |
| 2.4.1 HDFS分布式文件系统 | 第30-31页 |
| 2.4.2 MapReduce计算模型 | 第31-32页 |
| 2.4.3 Spark计算模型 | 第32-34页 |
| 2.5 本章小结 | 第34-35页 |
| 3 基于多模型理论的交通状态判别算法研究 | 第35-62页 |
| 3.1 多模型理论 | 第35-37页 |
| 3.2 交通流数据分析与处理 | 第37-46页 |
| 3.2.1 交通流数据预处理 | 第37-39页 |
| 3.2.2 交通流数据分析 | 第39-46页 |
| 3.3 基于BP神经网络的单模型交通状态判别算法研究 | 第46-52页 |
| 3.3.1 BP神经网络 | 第46-49页 |
| 3.3.2 基于BP神经网络的交通状态判别 | 第49-52页 |
| 3.4 基于模糊C均值的多模型算法及其在交通状态判别中的应用 | 第52-55页 |
| 3.4.1 模糊C均值 | 第53-54页 |
| 3.4.2 基于模糊C均值的多模型算法 | 第54-55页 |
| 3.5 仿真结果分析与对比 | 第55-61页 |
| 3.5.1 多模型算法仿真结果分析 | 第55-58页 |
| 3.5.2 与单模型的仿真结果对比分析 | 第58-61页 |
| 3.6 本章小结 | 第61-62页 |
| 4 大数据环境下的算法实现 | 第62-76页 |
| 4.1 集群环境搭建 | 第62-68页 |
| 4.1.1 Linux环境安装 | 第62-63页 |
| 4.1.2 Hadoop环境搭建 | 第63-65页 |
| 4.1.3 Spark环境配置 | 第65-66页 |
| 4.1.4 集群启动 | 第66-68页 |
| 4.2 多模型算法在大数据环境下的实现 | 第68-73页 |
| 4.2.1 MapReduce与Spark的技术对比 | 第68-69页 |
| 4.2.2 模糊C均值算法在大数据环境下的实现 | 第69-71页 |
| 4.2.3 BP神经网络在大数据环境下的实现 | 第71-73页 |
| 4.3 算法效果分析与对比 | 第73-75页 |
| 4.3.1 模糊C均值在大数据环境下的实现结果分析 | 第73-74页 |
| 4.3.2 BP神经网络在大数据环境下的实现结果分析 | 第74-75页 |
| 4.4 本章小结 | 第75-76页 |
| 总结与展望 | 第76-78页 |
| 总结 | 第76-77页 |
| 展望 | 第77-78页 |
| 参考文献 | 第78-83页 |
| 致谢 | 第83-84页 |
| 攻读学位期间发表的学术论文目录 | 第84-86页 |
