| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第一章 绪论 | 第11-19页 |
| 1.1 论文研究背景及意义 | 第11-13页 |
| 1.1.1 研究背景 | 第11-12页 |
| 1.1.2 研究意义 | 第12-13页 |
| 1.2 国内外研究现状 | 第13-16页 |
| 1.2.1 国外研究现状 | 第13-15页 |
| 1.2.2 国内研究现状 | 第15-16页 |
| 1.3 论文的主要贡献及创新 | 第16-17页 |
| 1.4 论文的组织结构 | 第17-19页 |
| 第二章 相关理论与技术 | 第19-35页 |
| 2.1 FP-GROWTH算法 | 第19-22页 |
| 2.1.1 FP-GROWTH算法简介 | 第19-21页 |
| 2.1.2 FP-GROWTH算法伪码 | 第21页 |
| 2.1.3 FP-GROWTH算法优缺点 | 第21-22页 |
| 2.2 FUFP算法 | 第22-25页 |
| 2.2.1 FUFP算法简介 | 第22-23页 |
| 2.2.2 FUFP代码流程 | 第23-24页 |
| 2.2.3 FUFP算法优缺点 | 第24-25页 |
| 2.3 动态时间规整 | 第25-26页 |
| 2.4 HADOOP | 第26-29页 |
| 2.4.1 MapReduce | 第27-28页 |
| 2.4.2 HDFS分布式文件系统 | 第28-29页 |
| 2.4.3 Hadoop的优缺点 | 第29页 |
| 2.5 SPARK | 第29-34页 |
| 2.5.1 SparkRDD和共享变量 | 第30-31页 |
| 2.5.2 Spark编程模型 | 第31-33页 |
| 2.5.3 Spark的优缺点 | 第33-34页 |
| 2.6 本章小结 | 第34-35页 |
| 第三章 数据预处理 | 第35-46页 |
| 3.1 数据源 | 第35-37页 |
| 3.2 数据清理 | 第37-42页 |
| 3.2.1 脏数据处理 | 第37-38页 |
| 3.2.2 格式化处理 | 第38-40页 |
| 3.2.3 缺失值处理 | 第40-41页 |
| 3.2.4 重复数据的处理 | 第41-42页 |
| 3.3 用户画像 | 第42-44页 |
| 3.4 医院画像 | 第44-45页 |
| 3.5 本章小结 | 第45-46页 |
| 第四章 EFUFP算法 | 第46-56页 |
| 4.1 EFUFP算法的改进背景及特色 | 第46页 |
| 4.2 EFUFP算法的基本思想 | 第46-48页 |
| 4.3 EFUFP算法示例 | 第48-51页 |
| 4.4 EFUFP算法与FUFP算法对比 | 第51-52页 |
| 4.5 EFUFP算法在SPARK上的实现 | 第52-55页 |
| 4.6 本章小结 | 第55-56页 |
| 第五章 实验结果与分析 | 第56-66页 |
| 5.1 实验设计 | 第56-58页 |
| 5.1.1 实验环境说明 | 第56-57页 |
| 5.1.2 数据来源 | 第57页 |
| 5.1.3 评测标准 | 第57-58页 |
| 5.2 EFUFP算法的在单机上的有效性 | 第58-63页 |
| 5.2.1 数据集一实验结果 | 第58-59页 |
| 5.2.2 数据集二实验结果 | 第59-62页 |
| 5.2.3 结论 | 第62-63页 |
| 5.3 EFUFP算法在SPARK上的有效性 | 第63-65页 |
| 5.3.1 数据集一实验结果 | 第63页 |
| 5.3.2 数据集二实验结果 | 第63-65页 |
| 5.3.3 结论 | 第65页 |
| 5.4 本章小结 | 第65-66页 |
| 第六章 就医聚集行为监测系统 | 第66-74页 |
| 6.1 就医聚集行为监测系统系统设计 | 第66-67页 |
| 6.2 频繁模式挖掘模块 | 第67-69页 |
| 6.3 病人分析模块 | 第69-70页 |
| 6.4 医院分析模块 | 第70-73页 |
| 6.4.1 基于时间序列相似性分析的在院人次异常检测方法 | 第70-72页 |
| 6.4.2 在院人次异常实例 | 第72-73页 |
| 6.5 本章总结 | 第73-74页 |
| 第七章 总结与展望 | 第74-76页 |
| 7.1 结论 | 第74页 |
| 7.2 展望 | 第74-76页 |
| 致谢 | 第76-77页 |
| 参考文献 | 第77-81页 |
| 攻读硕士学位期间取得的成果 | 第81页 |