| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第9-16页 |
| 1.1 研究背景 | 第9页 |
| 1.1.1 建立应急成品粮调度决策系统的重要性 | 第9页 |
| 1.1.2 应急成品粮调度决策中的配送路径优化问题 | 第9页 |
| 1.2 研究现状 | 第9-14页 |
| 1.2.1 路径优化方法介绍 | 第9-12页 |
| 1.2.2 国外研究现状 | 第12-13页 |
| 1.2.3 国内研究现状 | 第13-14页 |
| 1.3 研究思路与内容安排 | 第14页 |
| 1.4 研究目的与意义 | 第14-16页 |
| 第二章 数据挖掘技术研究 | 第16-23页 |
| 2.1 数据挖掘技术简介 | 第16-20页 |
| 2.1.1 数据挖掘技术中的主要算法和分类 | 第16-19页 |
| 2.1.2 数据挖掘算法的主要评估指标 | 第19-20页 |
| 2.2 数据挖掘技术在物流行业的应用 | 第20-21页 |
| 2.2.1 回归分析技术在市场预测中的应用 | 第20页 |
| 2.2.2 聚类方法在物流选址问题中的应用 | 第20-21页 |
| 2.2.3 智能化启发式算法在路径优化中的应用 | 第21页 |
| 2.2.4 关联分析算法在储物分配中的应用 | 第21页 |
| 2.3 数据挖掘技术与成品粮应急中的路径优化 | 第21-22页 |
| 2.4 本章总结 | 第22-23页 |
| 第三章 大数据处理与特征抽取 | 第23-33页 |
| 3.1 数据收集与清洗 | 第23页 |
| 3.1.1 数据介绍 | 第23页 |
| 3.1.2 文件格式转换与数据格式处理 | 第23页 |
| 3.2 分布式数据存储与处理 | 第23-29页 |
| 3.2.1 分布式系统hadoop的数据存储原理 | 第23-26页 |
| 3.2.2 分布式系统hadoop的数据处理原理 | 第26-27页 |
| 3.2.3 搭建hadoop分布式处理环境 | 第27-28页 |
| 3.2.4 数据处理过程演示 | 第28-29页 |
| 3.3 特征抽取 | 第29-32页 |
| 3.3.1 使用直接特征连续值作为输入的列提取方法 | 第29页 |
| 3.3.2 基于bloom filter的特征离散化提取方法 | 第29-32页 |
| 3.4 本章小结 | 第32-33页 |
| 第四章 道路阻抗函数模型研究 | 第33-52页 |
| 4.1 线性模型研究 | 第33-39页 |
| 4.1.1 理论基础 | 第33-35页 |
| 4.1.2 公式推导 | 第35-36页 |
| 4.1.3 大规模数据学习环境下的求解方法 | 第36-39页 |
| 4.2 基于BPR模型的研究 | 第39-42页 |
| 4.2.1 BPR模型简介 | 第39-41页 |
| 4.2.2 对数似然和求解过程分析 | 第41-42页 |
| 4.3 分类回归树模型研究 | 第42-46页 |
| 4.3.1 分类回归树模型简介 | 第42-44页 |
| 4.3.2 模型求解过程 | 第44-46页 |
| 4.4 概率性分类回归模型 | 第46-51页 |
| 4.4.1 新模型的研究思路 | 第46-47页 |
| 4.4.2 模型的提出 | 第47-48页 |
| 4.4.3 模型求解过程 | 第48-51页 |
| 4.5 本章小结 | 第51-52页 |
| 第五章 实验设计 | 第52-67页 |
| 5.1 评估指标 | 第52-53页 |
| 5.1.1 RSME(均方根误差) | 第52页 |
| 5.1.2 MAE(绝对值误差) | 第52-53页 |
| 5.2 实验过程 | 第53-57页 |
| 5.2.1 线性模型实验 | 第53-54页 |
| 5.2.2 BPR模型实验 | 第54-55页 |
| 5.2.3 分类回归树实验 | 第55-56页 |
| 5.2.4 概率性分类回归实验 | 第56-57页 |
| 5.3 实验结果对比 | 第57-66页 |
| 5.4 本章小结 | 第66-67页 |
| 第六章 总结和展望 | 第67-69页 |
| 6.1 论文总结 | 第67页 |
| 6.2 工作展望 | 第67-69页 |
| 参考文献 | 第69-72页 |
| 致谢 | 第72-73页 |
| 作者攻读学位期间发表的学术论文目录 | 第73页 |
