基于Hadoop的海量车载物联网数据处理方法研究
| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第9-17页 |
| 1.1 研究背景及意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-13页 |
| 1.2.1 国内研究现状 | 第10-11页 |
| 1.2.2 国外研究现状 | 第11-12页 |
| 1.2.3 存在问题 | 第12-13页 |
| 1.3 本文的主要研究内容 | 第13-14页 |
| 1.4 论文结构 | 第14-17页 |
| 第2章 Hadoop平台及相关技术研究 | 第17-29页 |
| 2.1 平台概述 | 第17-18页 |
| 2.2 Hadoop架构及核心组件分析 | 第18-25页 |
| 2.2.1 HDFS | 第19-23页 |
| 2.2.2 MapReduce | 第23-25页 |
| 2.3 数据管理组件分析 | 第25-28页 |
| 2.3.1 HBase数据库 | 第25-26页 |
| 2.3.2 Hive数据仓库 | 第26-27页 |
| 2.3.3 其他可集成数据管理组件 | 第27-28页 |
| 2.4 本章小结 | 第28-29页 |
| 第3章 海量车载物联网数据存储方法设计 | 第29-39页 |
| 3.1 车载物联网数据及其规模分析 | 第29-31页 |
| 3.1.1 车载物联网数据 | 第29-30页 |
| 3.1.2 车载物联网数据规模分析 | 第30-31页 |
| 3.2 车载物联网数据结构设计 | 第31-34页 |
| 3.3 车载物联网数据存储设计 | 第34-37页 |
| 3.3.1 数据存储方式选择 | 第34-35页 |
| 3.3.2 存储数据库设计 | 第35-37页 |
| 3.4 本章小结 | 第37-39页 |
| 第4章 海量车载物联网数据分析方法设计 | 第39-55页 |
| 4.1 基于Hive QL的数据统计 | 第39-41页 |
| 4.1.1 需求问题分析 | 第39-40页 |
| 4.1.2 Hive QL操作数据统计实现 | 第40-41页 |
| 4.2 MapReduce数据分析模型 | 第41-53页 |
| 4.2.1 需求问题分析 | 第41-42页 |
| 4.2.2 驾驶员行为分析数学建模 | 第42-44页 |
| 4.2.3 驾驶员行为分析模型实现 | 第44-47页 |
| 4.2.4 状态量关联规则挖掘及ECLAT算法 | 第47-50页 |
| 4.2.5 全状态频繁项集挖掘算法 | 第50-52页 |
| 4.2.6 全状态频繁项集挖掘模型实现 | 第52-53页 |
| 4.3 本章小结 | 第53-55页 |
| 第5章 方案测试与结果分析 | 第55-63页 |
| 5.1 测试目的 | 第55页 |
| 5.2 测试平台概述 | 第55-57页 |
| 5.2.1 硬件环境 | 第55-56页 |
| 5.2.2 软件环境 | 第56页 |
| 5.2.3 平台搭建部署 | 第56-57页 |
| 5.3 测试内容及结果分析 | 第57-62页 |
| 5.3.1 HBase数据存储效率 | 第58页 |
| 5.3.2 Hive QL数据统计 | 第58-60页 |
| 5.3.3 驾驶员行为分析 | 第60-61页 |
| 5.3.4 关联规则挖掘 | 第61-62页 |
| 5.4 本章小结 | 第62-63页 |
| 结论 | 第63-65页 |
| 参考文献 | 第65-67页 |
| 攻读硕士学位期间发表的论文和取得的科研成果 | 第67-69页 |
| 致谢 | 第69页 |
