| 摘要 | 第3-5页 |
| ABSTRACT | 第5-6页 |
| 第1章 绪论 | 第13-21页 |
| 1.1 课题研究背景及意义 | 第13-15页 |
| 1.2 国内外研究现状 | 第15-18页 |
| 1.2.1 城市公共自行车系统的实施规划 | 第16页 |
| 1.2.2 城市公共自行车系统的车辆调度 | 第16-17页 |
| 1.2.3 城市公共自行车系统的运营和管理 | 第17页 |
| 1.2.4 城市公共自行车需求量预测 | 第17-18页 |
| 1.3 本文主要研究内容与章节安排 | 第18-21页 |
| 第2章 公共自行车系统数据分析 | 第21-41页 |
| 2.1 数据来源 | 第21页 |
| 2.2 数据描述 | 第21-23页 |
| 2.2.1 站点信息数据 | 第21-22页 |
| 2.2.2 站点状态数据 | 第22页 |
| 2.2.3 用户用车数据 | 第22-23页 |
| 2.2.4 气象数据 | 第23页 |
| 2.3 数据预处理 | 第23-24页 |
| 2.4 用户用车特性分析 | 第24-32页 |
| 2.4.1 时间因子对用户骑行量的影响 | 第25-28页 |
| 2.4.2 气象因子对用户骑行量的影响 | 第28-32页 |
| 2.5 站点运行规律分析 | 第32-37页 |
| 2.5.1 自行车站点分布 | 第32-33页 |
| 2.5.2 站点自行车使用量分析 | 第33-34页 |
| 2.5.3 骑行起始站点分析 | 第34-35页 |
| 2.5.4 站点每小时用户骑行量分析 | 第35-37页 |
| 2.6 公共自行车需求量预测模型原理 | 第37-38页 |
| 2.7 本章小结 | 第38-41页 |
| 第3章 基于Spark和随机森林的公共自行车需求量预测分析 | 第41-61页 |
| 3.1 大数据处理流程 | 第41-42页 |
| 3.1.1 数据采集 | 第41页 |
| 3.1.2 数据导入和预处理 | 第41页 |
| 3.1.3 数据挖掘和统计分析 | 第41-42页 |
| 3.1.4 数据可视化 | 第42页 |
| 3.2 Hadoop生态系统简述 | 第42-49页 |
| 3.2.1 HDFS工作原理 | 第44-45页 |
| 3.2.2 MapReduce工作原理 | 第45-46页 |
| 3.2.3 Spark工作原理 | 第46-47页 |
| 3.2.4 Hive与Hbase简述 | 第47-48页 |
| 3.2.5 YARN工作原理 | 第48-49页 |
| 3.3 大数据平台介绍与搭建 | 第49-51页 |
| 3.4 随机森林算法介绍 | 第51-53页 |
| 3.5 实验分析 | 第53-59页 |
| 3.5.1 实验数据选择 | 第53-54页 |
| 3.5.2 模型评价标准 | 第54页 |
| 3.5.3 预测模型简述 | 第54-55页 |
| 3.5.4 基于Spark的随机森林预测系统 | 第55页 |
| 3.5.5 模型建立和调优 | 第55-58页 |
| 3.5.6 预测结果及分析 | 第58-59页 |
| 3.6 本章小结 | 第59-61页 |
| 第4章 基于RBF分位数回归的公共自行车需求量预测分析 | 第61-72页 |
| 4.1 径向基函数神经网络分位数算法介绍 | 第61-65页 |
| 4.1.1 径向基函数神经网络介绍 | 第61-63页 |
| 4.1.2 分位数回归简述 | 第63-64页 |
| 4.1.3 RBF神经网络分位数回归简述 | 第64-65页 |
| 4.2 实验分析 | 第65-70页 |
| 4.2.1 预测流程 | 第65-66页 |
| 4.2.2 影响因子定量分析 | 第66-67页 |
| 4.2.3 预测结果及分析 | 第67-70页 |
| 4.3 本章小结 | 第70-72页 |
| 第5章 总结与展望 | 第72-74页 |
| 5.1 全文总结 | 第72-73页 |
| 5.2 研究展望 | 第73-74页 |
| 参考文献 | 第74-79页 |
| 致谢 | 第79-80页 |
| 攻读学位期间发表的学术论文目录 | 第80页 |