| 摘要 | 第5-6页 |
| abstract | 第6页 |
| 第一章 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10-14页 |
| 1.3 本文研究内容 | 第14-15页 |
| 1.4 本文组织结构 | 第15-17页 |
| 第二章 公交车到站时间影响因素分析及GPS数据预处理 | 第17-25页 |
| 2.1 公交车到站时间影响因素分析 | 第17-18页 |
| 2.2 数据采集 | 第18-22页 |
| 2.3 数据预处理 | 第22-23页 |
| 2.4 本章小结 | 第23-25页 |
| 第三章 聚类和神经网络相结合的分段模型的建立 | 第25-35页 |
| 3.1 基于BP神经网络的公交车到站时间预测模型 | 第25-30页 |
| 3.1.1 BP神经网络算法 | 第25-26页 |
| 3.1.2 特征选择 | 第26-27页 |
| 3.1.3 BP神经网络预测模型 | 第27-30页 |
| 3.2 基于K-means进行时段划分方法 | 第30-32页 |
| 3.2.1 K-means聚类算法 | 第30-31页 |
| 3.2.2 数据分析与处理 | 第31页 |
| 3.2.3 基于K-means的时段划分方法 | 第31-32页 |
| 3.3 聚类和神经网络相结合的分段模型 | 第32-33页 |
| 3.4 本章小结 | 第33-35页 |
| 第四章 并行化公交车到站时间预测模型的建立 | 第35-47页 |
| 4.1 Hadoop分布式计算平台 | 第35-37页 |
| 4.1.1 MapReduce简介 | 第36页 |
| 4.1.2 MapReduce实现框架 | 第36-37页 |
| 4.2 并行化公交车到站时间预测模型 | 第37-39页 |
| 4.2.1 分时段并行创建BP神经网络 | 第38页 |
| 4.2.2 并行训练BP神经网络 | 第38-39页 |
| 4.3 K-means算法并行化 | 第39-42页 |
| 4.3.1 基于MapReduce的K-means算法设计 | 第39-41页 |
| 4.3.2 基于MapReduce的K-means算法实现 | 第41-42页 |
| 4.4 BP神经网络并行化 | 第42-45页 |
| 4.4.1 基于MapReduce的BP神经网络设计 | 第43-44页 |
| 4.4.2 基于MapReduce的BP神经网络实现 | 第44-45页 |
| 4.5 本章小结 | 第45-47页 |
| 第五章 实例验证 | 第47-53页 |
| 5.1 公交车运行时段划分 | 第47-49页 |
| 5.2 公交车到站时间预测 | 第49-51页 |
| 5.3 并行化公交车到站时间预测 | 第51页 |
| 5.4 本章小结 | 第51-53页 |
| 第六章 结论与展望 | 第53-55页 |
| 6.1 总结 | 第53页 |
| 6.2 进一步工作及展望 | 第53-55页 |
| 参考文献 | 第55-59页 |
| 攻读硕士期间取得的研究成果 | 第59-61页 |
| 致谢 | 第61-62页 |
