基于大数据技术的货车行驶工况分析
| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 第1章 绪论 | 第10-20页 |
| 1.1 研究背景及意义 | 第10-12页 |
| 1.1.1 研究背景 | 第10-11页 |
| 1.1.2 研究意义 | 第11-12页 |
| 1.2 研究现状综述 | 第12-18页 |
| 1.2.1 国外研究现状 | 第12-15页 |
| 1.2.2 国内研究现状 | 第15-18页 |
| 1.3 研究内容 | 第18-19页 |
| 1.4 技术路线 | 第19-20页 |
| 第2章 基于大数据技术的行驶工况分析理论 | 第20-36页 |
| 2.1 大数据分析技术 | 第20-24页 |
| 2.1.1 大数据技术概述 | 第20-21页 |
| 2.1.2 大数据平台组件 | 第21页 |
| 2.1.3 大数据分析架构 | 第21-22页 |
| 2.1.4 大数据分析流程 | 第22-24页 |
| 2.2 车辆数据分析基本架构 | 第24-28页 |
| 2.2.1 未采用大数据技术的车辆数据分析 | 第24-25页 |
| 2.2.2 采用大数据技术的车辆数据分析 | 第25-27页 |
| 2.2.3 采用大数据技术的优点 | 第27-28页 |
| 2.3 行驶工况数据采集 | 第28-30页 |
| 2.3.1 数据采集车载端原理 | 第28-29页 |
| 2.3.2 远程服务设备连接管理描述 | 第29-30页 |
| 2.4 行驶工况分析 | 第30-35页 |
| 2.4.1 行驶工况分析概述 | 第30-31页 |
| 2.4.2 K-means算法描述 | 第31-32页 |
| 2.4.3 基于K-means算法的行驶工况分析 | 第32-35页 |
| 2.5 本章小结 | 第35-36页 |
| 第3章 行驶工况数据采集 | 第36-52页 |
| 3.1 数据转换 | 第36-43页 |
| 3.1.1 数据格式定义 | 第36-42页 |
| 3.1.2 数据转换方法 | 第42-43页 |
| 3.2 数据加密 | 第43-49页 |
| 3.2.1 AES加密算法介绍 | 第43-44页 |
| 3.2.2 AES加密算法实现 | 第44-49页 |
| 3.3 数据传输 | 第49-51页 |
| 3.3.1 数据车内传输 | 第49页 |
| 3.3.2 数据远程传输 | 第49-51页 |
| 3.4 本章小结 | 第51-52页 |
| 第4章 行驶工况分析模型 | 第52-70页 |
| 4.1 参数及变量 | 第52-53页 |
| 4.1.1 参数及变量声明 | 第52页 |
| 4.1.2 参数及变量获取 | 第52-53页 |
| 4.2 模型构建 | 第53-56页 |
| 4.2.1 工况分类特征字选取 | 第53-55页 |
| 4.2.2 实际行驶工况分析 | 第55-56页 |
| 4.3 求解分析 | 第56-68页 |
| 4.3.1 获取工况分类的主要差异特征 | 第56-57页 |
| 4.3.2 K-means聚类分析行驶工况 | 第57-66页 |
| 4.3.3 算法软件实现 | 第66-68页 |
| 4.4 本章小结 | 第68-70页 |
| 第5章 行驶工况大数据分析实验 | 第70-86页 |
| 5.1 实验方法 | 第70-73页 |
| 5.1.1 数据流 | 第70-71页 |
| 5.1.2 数据读写 | 第71-72页 |
| 5.1.3 计算过程 | 第72-73页 |
| 5.2 实验环境 | 第73-81页 |
| 5.2.1 总体设计 | 第73-74页 |
| 5.2.2 车辆配置与入网情况 | 第74-75页 |
| 5.2.3 大数据分析关键组件 | 第75-79页 |
| 5.2.4 环境部署 | 第79-81页 |
| 5.3 实验结果 | 第81-84页 |
| 5.4 本章小结 | 第84-86页 |
| 第6章 总结与展望 | 第86-88页 |
| 6.1 总结 | 第86页 |
| 6.2 展望 | 第86-88页 |
| 参考文献 | 第88-92页 |
| 附录1 部分行驶工况分析代码 | 第92-96页 |
| 附录2 部分车辆样本数据表 | 第96-98页 |
| 作者简介 | 第98-100页 |
| 致谢 | 第100页 |
