| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第一章 绪论 | 第9-14页 |
| 1.1 课题研究背景和意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-12页 |
| 1.2.1 交通参数预测的研究现状 | 第10-12页 |
| 1.2.2 云计算技术的研究现状 | 第12页 |
| 1.2.3 云计算平台上交通参数预测的研究现状 | 第12页 |
| 1.3 研究内容及论文结构 | 第12-14页 |
| 第二章 Hadoop云计算平台概述 | 第14-22页 |
| 2.1 Hadoop生态圈简介 | 第14-15页 |
| 2.2 HDFS分布式文件系统 | 第15-18页 |
| 2.2.1 HDFS的结构模型 | 第15-16页 |
| 2.2.2 HDFS的数据管理 | 第16-17页 |
| 2.2.3 HDFS的可访问性 | 第17-18页 |
| 2.3 MapReduce分布式数据处理框架 | 第18-19页 |
| 2.4 HBase列存储数据库 | 第19-21页 |
| 2.5 本章小结 | 第21-22页 |
| 第三章 客流量预测模型的研究与建立 | 第22-34页 |
| 3.1 预测模型的基础理论 | 第22-23页 |
| 3.1.1 预测方法的一般步骤 | 第23页 |
| 3.2 常用预测模型的研究 | 第23-26页 |
| 3.2.1 回归分析预测模型 | 第23-25页 |
| 3.2.2 时间序列预测模型 | 第25-26页 |
| 3.2.3 基于神经网络的预测模型 | 第26页 |
| 3.3 基于BP神经网络方法的串行客流量预测模型设计与实现 | 第26-33页 |
| 3.3.1 串行BP神经网络算法实现描述 | 第27-30页 |
| 3.3.2 算法设计与伪代码描述 | 第30-32页 |
| 3.3.3 实现与预测结果分析 | 第32-33页 |
| 3.4 本章小结 | 第33-34页 |
| 第四章 Hadoop数据处理平台的设计与实现 | 第34-48页 |
| 4.1 数据处理平台总体结构与设计 | 第34页 |
| 4.2 集群硬件环境的设计与实现 | 第34-35页 |
| 4.3 底层软件环境的设计与实现 | 第35-42页 |
| 4.3.1 yum源服务器的设计与实现 | 第37-39页 |
| 4.3.2 Ambari集群自动化部署组件的安装与配置 | 第39-40页 |
| 4.3.3 分布式HDFS文件系统的设计与实现 | 第40-41页 |
| 4.3.4 MR并行计算环境的设计与实现 | 第41-42页 |
| 4.4 HBase分布式列存储数据库 | 第42-44页 |
| 4.5 Hadoop集群可视化监控功能实现 | 第44-47页 |
| 4.5.1 Ganglia服务组件 | 第44-45页 |
| 4.5.2 Nagios服务组件 | 第45-47页 |
| 4.6 本章小结 | 第47-48页 |
| 第五章 基于改进BP神经网络的MR预测模型设计与实现 | 第48-58页 |
| 5.1 基于改进BP神经网络的MapReduce并行算法 | 第48-51页 |
| 5.1.1 基于改进BP神经网络的MR并行算法设计 | 第48-49页 |
| 5.1.2 基于改进BP神经网络的MR并行算法实现 | 第49-51页 |
| 5.2 基于改进BP神经网络的MapReduce并行算法描述及流程图 | 第51-55页 |
| 5.2.1 基于改进BP神经网络的MR并行算法描述 | 第51-54页 |
| 5.2.2 基于改进BP神经网络的MR并行算法流程图 | 第54-55页 |
| 5.3 使用MR-BP算法实现客流量预测 | 第55-57页 |
| 5.3.1 经验数据的选取与处理 | 第55-56页 |
| 5.3.2 试验结果的分析与应用 | 第56-57页 |
| 5.4 本章小结 | 第57-58页 |
| 第六章 结论与展望 | 第58-60页 |
| 6.1 主要结论 | 第58页 |
| 6.2 研究展望 | 第58-60页 |
| 参考文献 | 第60-64页 |
| 附录 | 第64-68页 |
| 攻读硕士学位期间发表的论文 | 第68-69页 |
| 致谢 | 第69页 |
