云计算下基于优化XGBoost的网约车供需预测研究
| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第一章 绪论 | 第9-14页 |
| 1.1 研究背景与意义 | 第9-10页 |
| 1.2 研究现状及面临的挑战 | 第10-12页 |
| 1.2.1 研究现状 | 第10-11页 |
| 1.2.2 面临的挑战 | 第11-12页 |
| 1.3 论文的目标及主要工作 | 第12-13页 |
| 1.4 论文结构安排 | 第13-14页 |
| 第二章 相关理论与技术介绍 | 第14-24页 |
| 2.1 网约车供需预测概述 | 第14-15页 |
| 2.2 相关预测算法介绍 | 第15-17页 |
| 2.2.1 梯度提升决策树算法 | 第15-16页 |
| 2.2.2 随机森林算法 | 第16-17页 |
| 2.2.3 支持向量机算法 | 第17页 |
| 2.3 数据挖掘相关技术 | 第17-20页 |
| 2.3.1 降维 | 第17-18页 |
| 2.3.2 聚类算法 | 第18-19页 |
| 2.3.3 相似度计算 | 第19-20页 |
| 2.4 Spark平台及相关技术 | 第20-23页 |
| 2.4.1 Spark特点及架构 | 第20-21页 |
| 2.4.2 Spark应用程序执行过程 | 第21-22页 |
| 2.4.3 Spark生态系统 | 第22-23页 |
| 2.5 本章小结 | 第23-24页 |
| 第三章 网约车供需预测模型的研究与设计 | 第24-38页 |
| 3.1 数据分析和预处理 | 第24-29页 |
| 3.1.1 原始数据分析 | 第24-27页 |
| 3.1.2 数据存储 | 第27-28页 |
| 3.1.3 数据预处理 | 第28-29页 |
| 3.2 特征构建 | 第29-32页 |
| 3.2.1 时间特征 | 第30页 |
| 3.2.2 温度特征 | 第30页 |
| 3.2.3 PM2.5特征 | 第30-31页 |
| 3.2.4 交通拥堵特征 | 第31页 |
| 3.2.5 特征构建结果 | 第31-32页 |
| 3.3 模型设计 | 第32-35页 |
| 3.3.1 XGBoost | 第32页 |
| 3.3.2 模型原理 | 第32-34页 |
| 3.3.3 模型构建 | 第34-35页 |
| 3.4 实验与结果分析 | 第35-37页 |
| 3.4.1 实验环境和数据 | 第35页 |
| 3.4.2 实验评价指标 | 第35-36页 |
| 3.4.3 实验结果分析 | 第36-37页 |
| 3.5 本章小结 | 第37-38页 |
| 第四章 基于兴趣点特征分析与选取的模型改进 | 第38-46页 |
| 4.1 兴趣点数据 | 第38-39页 |
| 4.2 兴趣点特征分析 | 第39-41页 |
| 4.3 兴趣点特征选取 | 第41-44页 |
| 4.4 兴趣点特征的作用 | 第44-45页 |
| 4.4.1 兴趣点特征的重要性 | 第44-45页 |
| 4.4.2 兴趣点特征对预测的贡献 | 第45页 |
| 4.5 本章小结 | 第45-46页 |
| 第五章 粒子群算法参数优化 | 第46-53页 |
| 5.1 粒子群算法 | 第46-47页 |
| 5.2 粒子群算法优化模型参数 | 第47-52页 |
| 5.2.1 待优化参数选取 | 第47-48页 |
| 5.2.2 参数优化过程 | 第48-50页 |
| 5.2.3 参数优化结果 | 第50-52页 |
| 5.3 本章小结 | 第52-53页 |
| 第六章 基于Spark平台的网约车供需预测 | 第53-60页 |
| 6.1 Spark的开发环境和集群部署 | 第53-54页 |
| 6.2 网约车供需预测模型的Spark实现 | 第54-56页 |
| 6.3 实验与结果分析 | 第56-59页 |
| 6.3.1 实验环境及评价指标 | 第56-57页 |
| 6.3.2 单机和Spark集群下的时效比对实验 | 第57-58页 |
| 6.3.3 Spark集群加速比实验 | 第58-59页 |
| 6.4 本章小结 | 第59-60页 |
| 总结与展望 | 第60-62页 |
| 参考文献 | 第62-66页 |
| 致谢 | 第66-67页 |
| 攻读学位期间发表的学术论文及取得的科研成果 | 第67页 |
