| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第一章 绪论 | 第8-18页 |
| 1.1 研究背景 | 第8页 |
| 1.2 研究意义 | 第8-9页 |
| 1.3 国内外研究现状 | 第9-14页 |
| 1.3.1 基于卡口过车数据的研究 | 第9-10页 |
| 1.3.2 交通量短时预测研究 | 第10-12页 |
| 1.3.3 海量数据下的分布式计算架构 | 第12-13页 |
| 1.3.4 研究现状总结 | 第13-14页 |
| 1.4 研究目标与主要研究内容 | 第14-16页 |
| 1.4.1 论文研究目标 | 第14页 |
| 1.4.2 研究思路 | 第14-15页 |
| 1.4.3 论文章节安排 | 第15-16页 |
| 1.5 本章小结 | 第16-18页 |
| 第二章 海量卡口过车数据与卡口路径 | 第18-26页 |
| 2.1 主要的交通数据采集方式 | 第18-19页 |
| 2.1.1 传统断面检测设备 | 第18页 |
| 2.1.2 浮动车设备 | 第18页 |
| 2.1.3 新型断面检测设备 | 第18-19页 |
| 2.2 高清智能卡口系统 | 第19-21页 |
| 2.3 卡口过车数据质量分析 | 第21-23页 |
| 2.3.1 卡口过车数据 | 第21页 |
| 2.3.2 交通流量与车牌识别数据质量分析 | 第21-23页 |
| 2.4 基于卡口过车数据的卡口路径 | 第23-24页 |
| 2.5 基于关联规则的卡口路径特征提取 | 第24页 |
| 2.6 本章小结 | 第24-26页 |
| 第三章 Spark计算框架概述 | 第26-32页 |
| 3.1 Spark简介 | 第26-27页 |
| 3.2 Spark生态系统 | 第27-29页 |
| 3.2.1 Spark Core | 第27-28页 |
| 3.2.2 Spark Streaming | 第28页 |
| 3.2.3 Spark SQL | 第28-29页 |
| 3.2.4 Spark MLlib | 第29页 |
| 3.2.5 Spark GrahpX | 第29页 |
| 3.3 Spark在海量过车分析上的应用 | 第29-30页 |
| 3.3.1 Spark的应用场景 | 第29-30页 |
| 3.3.2 Spark在海量过车分析上的必要性 | 第30页 |
| 3.4 本章小结 | 第30-32页 |
| 第四章 基于Spark的交通量预测机器学习算法设计 | 第32-42页 |
| 4.1 K近邻算法(KNN) | 第32-35页 |
| 4.1.1 KNN算法简介 | 第32-33页 |
| 4.1.2 KNN算法并行化设计 | 第33-35页 |
| 4.2 随机森林 | 第35-37页 |
| 4.2.1 集成学习 | 第35页 |
| 4.2.2 决策树简介 | 第35-36页 |
| 4.2.3 Bagging算法和Boosting算法简介 | 第36页 |
| 4.2.4 随机森林简介 | 第36-37页 |
| 4.2.5 随机森林算法并行化设计 | 第37页 |
| 4.3 梯度提升决策树(GBDT) | 第37-39页 |
| 4.3.1 基本概念 | 第38页 |
| 4.3.2 梯度提升回归树算法并行化设计 | 第38-39页 |
| 4.4 基于卡口过车数据的交通量预测流程 | 第39-40页 |
| 4.5 本章小结 | 第40-42页 |
| 第五章 实例研究 | 第42-48页 |
| 5.1 实验平台 | 第42页 |
| 5.2 实例选取 | 第42-43页 |
| 5.3 特征构造与评价指标 | 第43-44页 |
| 5.4 实验结果与分析 | 第44-46页 |
| 5.5 本章小结 | 第46-48页 |
| 第六章 总结与展望 | 第48-50页 |
| 6.1 研究的主要结论 | 第48页 |
| 6.2 研究的创新点 | 第48-49页 |
| 6.3 研究展望 | 第49-50页 |
| 附录 | 第50-72页 |
| 致谢 | 第72-74页 |
| 参考文献 | 第74-76页 |