| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第10-16页 |
| 1.1 研究背景和意义 | 第10-12页 |
| 1.2 国内外研究现状 | 第12-14页 |
| 1.3 论文主要内容及组织结构 | 第14-16页 |
| 1.3.1 论文主要研究内容 | 第14页 |
| 1.3.2 论文组织结构 | 第14-16页 |
| 第二章 主流大数据平台分析与搭建 | 第16-37页 |
| 2.1 大数据的定义 | 第16-17页 |
| 2.2 分布式系统 | 第17页 |
| 2.3 Hadoop和Spark平台分析 | 第17-24页 |
| 2.3.1 Hadoop | 第18-20页 |
| 2.3.2 Spark | 第20-24页 |
| 2.3.3 结论 | 第24页 |
| 2.4 Spark单机开发环境及分布式集群搭建 | 第24-37页 |
| 2.4.1 Hadoop集群环境硬件要求 | 第24-25页 |
| 2.4.2 Spark集群环境硬件要求 | 第25-26页 |
| 2.4.3 构造Hadoop集群 | 第26-32页 |
| 2.4.4 构造Spark集群 | 第32-33页 |
| 2.4.5 配置IDE开发环境 | 第33-37页 |
| 第三章 Spark机器学习算法库和时间序列研究分析 | 第37-58页 |
| 3.1 Spark机器学习算法库 | 第37-41页 |
| 3.1.1 分类和回归 | 第38-40页 |
| 3.1.2 聚类 | 第40页 |
| 3.1.3 特征的提取、转换和选择 | 第40-41页 |
| 3.2 Spark生态系统 | 第41-46页 |
| 3.2.1 Spark Runtime | 第42-43页 |
| 3.2.2 Spark Streaming | 第43-44页 |
| 3.2.3 Spark SQL | 第44页 |
| 3.2.4 GraphX | 第44-45页 |
| 3.2.5 SparkR | 第45-46页 |
| 3.3 时间序列分析 | 第46-52页 |
| 3.3.1 时间序列相关的定义 | 第46-47页 |
| 3.3.2 时间序列模型 | 第47页 |
| 3.3.3 时间序列分析的一般步骤 | 第47-50页 |
| 3.3.4 Spark的时间序列分析方法库(spark-ts) | 第50-51页 |
| 3.3.5 多元时间序列 | 第51-52页 |
| 3.4 基于Spark动态时间规整算法度量多元时间序列相似性的实现 | 第52-58页 |
| 3.4.1 动态时间规整算法 | 第52-53页 |
| 3.4.2 多维动态时间规整算法 | 第53-54页 |
| 3.4.3 基于Spark的多维动态时间规整算法的实现 | 第54-57页 |
| 3.4.4 总结分析 | 第57-58页 |
| 第四章 基于Spark的VAR和SVAR的实现与验证 | 第58-69页 |
| 4.1 向量自回归模型 | 第58-61页 |
| 4.1.1 向量自回归模型的起源、形成和主要应用 | 第58-59页 |
| 4.1.2 向量自回归模型的定义 | 第59-61页 |
| 4.1.3 结构向量自回归模型的定义 | 第61页 |
| 4.2 基于Spark的(结构)向量自回归模型的实现 | 第61-64页 |
| 4.2.1 模型的实现思路 | 第61-62页 |
| 4.2.2 核心实现 | 第62-64页 |
| 4.3 实验验证 | 第64-69页 |
| 4.3.1 实验环境和数据集 | 第64-66页 |
| 4.3.2 实验结果分析 | 第66-69页 |
| 第五章 总结与展望 | 第69-71页 |
| 5.1 总结 | 第69页 |
| 5.2 下一步改进的方向 | 第69-71页 |
| 参考文献 | 第71-74页 |
| 致谢 | 第74-75页 |
| 作者攻读硕士学位期间发表的学术论文 | 第75页 |
