| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第11-16页 |
| 1.1 研究背景、意义 | 第11-12页 |
| 1.2 研究现状 | 第12-14页 |
| 1.2.1 Hadoop的研究现状 | 第12-13页 |
| 1.2.2 海量数据存储的研究现状 | 第13页 |
| 1.2.3 销售预测组合模型研究现状 | 第13-14页 |
| 1.3 研究内容 | 第14-15页 |
| 1.4 本文组织结构 | 第15-16页 |
| 第二章 Hadoop技术架构研究 | 第16-26页 |
| 2.1 Hadoop的组件和基本功能 | 第16-17页 |
| 2.2 Hadoop分布式文件系统 | 第17-20页 |
| 2.2.1 HDFS体系结构 | 第17-19页 |
| 2.2.2 数据可靠性保证策略 | 第19-20页 |
| 2.3 MapReduce并行计算框架 | 第20-24页 |
| 2.3.1 MapReduce作业运行机制 | 第21-24页 |
| 2.3.2 MapReduce容错机制 | 第24页 |
| 2.4 Hadoop与关系型数据库协同工作的可行性分析 | 第24-25页 |
| 2.5 本章小结 | 第25-26页 |
| 第三章 海量数据的清洗与处理 | 第26-38页 |
| 3.1 数据采集 | 第26页 |
| 3.2 数据清洗 | 第26-33页 |
| 3.2.1 数据清洗概述 | 第26-28页 |
| 3.2.2 属性清洗方法 | 第28-29页 |
| 3.2.3 基于树形结构的Bloom Filter的重复记录清洗 | 第29-33页 |
| 3.3 Hadoop与关系数据库协作 | 第33-34页 |
| 3.4 基于MapReduce编程模型的数据加工 | 第34-37页 |
| 3.4.1 数据准备 | 第34-35页 |
| 3.4.2 Map阶段数据处理过程 | 第35-36页 |
| 3.4.3 Reduce阶段数据处理过程 | 第36-37页 |
| 3.5 本章小结 | 第37-38页 |
| 第四章 企业销售预测模型的研究与建立 | 第38-54页 |
| 4.1 数据分析与模型选取 | 第38页 |
| 4.2 ARIMA销售预测模型 | 第38-44页 |
| 4.2.1 时间序列分析 | 第38-39页 |
| 4.2.2 ARIMA模型概述 | 第39页 |
| 4.2.3 建立基于ARIMA的销售预测模型 | 第39-44页 |
| 4.3 基于人工神经网络的销售预测模型 | 第44-49页 |
| 4.3.1 BP神经网络模型概述 | 第44-45页 |
| 4.3.2 建立BP神经网络的销售预测模型 | 第45-49页 |
| 4.4 组合预测模型 | 第49-51页 |
| 4.4.1 单一模型在销售预测上的局限性 | 第49页 |
| 4.4.2 基于ARIMA和BP神经网络的组合模型原理 | 第49-50页 |
| 4.4.3 建立基于ARIMA和BP神经网络的组合预测模型 | 第50-51页 |
| 4.5 预测结果对比及模型评价 | 第51-53页 |
| 4.6 本章小结 | 第53-54页 |
| 第五章 基于Hadoop的企业营销系统设计 | 第54-61页 |
| 5.1 系统总体设计方案 | 第54-56页 |
| 5.1.1 系统体系结构 | 第54-55页 |
| 5.1.2 系统技术架构 | 第55-56页 |
| 5.2 基于Hadoop的数据处理平台搭建 | 第56-58页 |
| 5.2.1 拓扑结构 | 第56-57页 |
| 5.2.2 环境搭建 | 第57-58页 |
| 5.3 销售预测在系统中的实现 | 第58-60页 |
| 5.4 本章总结 | 第60-61页 |
| 第六章 总结与展望 | 第61-63页 |
| 6.1 全文总结 | 第61-62页 |
| 6.2 研究展望 | 第62-63页 |
| 参考文献 | 第63-66页 |
| 致谢 | 第66-67页 |
| 攻读学位期间的研究成果 | 第67页 |
