| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 引言 | 第13-14页 |
| 1 绪论 | 第14-21页 |
| 1.1 研究背景及意义 | 第14-15页 |
| 1.2 研究现状 | 第15-18页 |
| 1.2.1 交通拥堵预测研究现状 | 第15-17页 |
| 1.2.2 交通大数据研究现状 | 第17-18页 |
| 1.3 本文研究思路和研究内容 | 第18-21页 |
| 1.3.1 研究思路 | 第18-19页 |
| 1.3.2 研究的主要内容 | 第19-21页 |
| 2 交通大数据与Hadoop平台框架 | 第21-31页 |
| 2.1 交通大数据 | 第21-23页 |
| 2.1.1 交通大数据定义 | 第21页 |
| 2.1.2 交通大数据特点 | 第21-22页 |
| 2.1.3 交通大数据的挑战 | 第22-23页 |
| 2.2 Hadoop大数据平台 | 第23-30页 |
| 2.2.1 分布式文件系统HDFS | 第24-27页 |
| 2.2.2 分布式大数据计算框架MapReduce | 第27-29页 |
| 2.2.3 资源协调管理器YARN | 第29-30页 |
| 2.3 本章小结 | 第30-31页 |
| 3 交通大数据的预处理方法研究 | 第31-41页 |
| 3.1 交通大数据预处理意义 | 第31页 |
| 3.2 实验交通大数据 | 第31-32页 |
| 3.2.1 实验交通大数据说明 | 第31-32页 |
| 3.2.2 数据质量问题 | 第32页 |
| 3.3 交通大数据预处理 | 第32-40页 |
| 3.3.1 冗余数据处理 | 第33-34页 |
| 3.3.2 数值异常数据处理 | 第34-38页 |
| 3.3.3 缺失数据处理 | 第38-40页 |
| 3.4 本章小结 | 第40-41页 |
| 4 基于MapReduce的KNN交通拥堵预测算法 | 第41-51页 |
| 4.1 交通拥堵判别标准 | 第41-42页 |
| 4.2 交通预测算法 | 第42-44页 |
| 4.2.1 常见交通预测算法特点分析 | 第42-43页 |
| 4.2.2 基于Hadoop的常见交通预测算法适用性分析 | 第43-44页 |
| 4.3 KNN算法 | 第44-46页 |
| 4.3.1 KNN算法介绍 | 第44页 |
| 4.3.2 KNN算法预测原理 | 第44-46页 |
| 4.4 基于Hadoop的KNN算法调整与实现 | 第46-50页 |
| 4.4.1 基于Hadoop的KNN算法优点分析 | 第46页 |
| 4.4.2 KNN算法调整 | 第46-48页 |
| 4.4.3 MapReduce分布式计算框架下的并行化KNN算法实现 | 第48-50页 |
| 4.5 本章小结 | 第50-51页 |
| 5 基于Hadoop的交通拥堵预测实验 | 第51-64页 |
| 5.1 实验准备 | 第51-52页 |
| 5.2 实验分析设计 | 第52-54页 |
| 5.2.1 实验目的 | 第52页 |
| 5.2.2 实验评价指标 | 第52-54页 |
| 5.3 交通拥堵预测实验分析 | 第54-60页 |
| 5.3.1 K值确定 | 第54页 |
| 5.3.2 预测交通运行状况分级 | 第54-55页 |
| 5.3.3 实验结果及分析 | 第55-60页 |
| 5.3.4 实验结论 | 第60页 |
| 5.4 平台性能实验 | 第60-62页 |
| 5.4.1 数据处理能力实验 | 第60-61页 |
| 5.4.2 数据处理时间实验 | 第61-62页 |
| 5.5 本章小结 | 第62-64页 |
| 结论 | 第64-66页 |
| 参考文献 | 第66-70页 |
| 附录A 附表 | 第70-73页 |
| 在学研究成果 | 第73-74页 |
| 致谢 | 第74页 |
