基于手机信令的数据分析引擎设计与实现
| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第一章 绪论 | 第9-13页 |
| 1.1 研究背景 | 第9页 |
| 1.2 国内外研究现状 | 第9-11页 |
| 1.2.1 手机信令数据清洗 | 第10页 |
| 1.2.2 手机信令驻点提取 | 第10页 |
| 1.2.3 手机信令职住关系分析 | 第10-11页 |
| 1.3 论文研究内容及组织结构 | 第11-13页 |
| 第二章 手机信令数据清洗 | 第13-23页 |
| 2.1 手机信令数据源概述 | 第13-15页 |
| 2.2 无效数据清洗 | 第15页 |
| 2.3 乒乓数据清洗 | 第15-16页 |
| 2.4 漂移数据清洗 | 第16-17页 |
| 2.5 噪声数据清洗 | 第17-22页 |
| 2.5.1 局部离群因子检测算法 | 第18-19页 |
| 2.5.2 K-means算法 | 第19-20页 |
| 2.5.3 CLOF算法清洗噪声数据 | 第20-22页 |
| 2.6 本章小结 | 第22-23页 |
| 第三章 手机信令数据分析 | 第23-45页 |
| 3.1 基于手机信令数据的居民驻点提取 | 第23-29页 |
| 3.1.1 DBSCAN算法 | 第23-25页 |
| 3.1.2 DBSCAN算法eps邻域时空扩展 | 第25页 |
| 3.1.3 基于DBSCAN的时空驻点提取算法 | 第25-28页 |
| 3.1.4 驻点提取算法实验分析 | 第28-29页 |
| 3.2 基于手机信令的居民移动行为模式挖掘 | 第29-33页 |
| 3.2.1 用户移动行为模式 | 第29-30页 |
| 3.2.2 有向图的同构 | 第30-32页 |
| 3.2.3 移动行为模式实验结果分析 | 第32-33页 |
| 3.3 基于手机信令的职住关系分析 | 第33-41页 |
| 3.3.1 居住地和工作地检测 | 第34页 |
| 3.3.2 职住关系实验结果分析 | 第34-41页 |
| 3.4 基于手机信令的热点人流分析 | 第41-44页 |
| 3.4.1 人流聚集分布 | 第42页 |
| 3.4.2 热点人流分析 | 第42-44页 |
| 3.5 本章小结 | 第44-45页 |
| 第四章 手机信令数据分析引擎设计与实现 | 第45-79页 |
| 4.1 引擎需求分析 | 第45-46页 |
| 4.1.1 引擎数据存储需求 | 第45页 |
| 4.1.2 引擎数据计算需求 | 第45-46页 |
| 4.1.3 引擎功能调用需求 | 第46页 |
| 4.2 引擎相关应用技术 | 第46-53页 |
| 4.2.1 分布式系统基础架构Hadoop | 第46-49页 |
| 4.2.2 大规模数据计算引擎Spark | 第49-52页 |
| 4.2.3 Web应用框架Flask | 第52-53页 |
| 4.3 引擎整体设计 | 第53-54页 |
| 4.4 引擎子层设计及分布式实现 | 第54-75页 |
| 4.4.1 数据存储层设计与实现 | 第55-57页 |
| 4.4.2 数据清洗层设计与分布式实现 | 第57-61页 |
| 4.4.3 数据访问接口层设计与实现 | 第61-62页 |
| 4.4.4 数据分析层设计与分布式实现 | 第62-71页 |
| 4.4.5 机器学习算法层设计与实现 | 第71-72页 |
| 4.4.6 API接口层设计与实现 | 第72-75页 |
| 4.5 引擎性能测试 | 第75-77页 |
| 4.5.1 软硬件测试环境 | 第75-76页 |
| 4.5.2 引擎功能测试 | 第76-77页 |
| 4.5.3 引擎速度测试 | 第77页 |
| 4.6 本章小结 | 第77-79页 |
| 第五章 总结与展望 | 第79-81页 |
| 5.1 论文工作总结 | 第79页 |
| 5.2 展望 | 第79-81页 |
| 致谢 | 第81-83页 |
| 参考文献 | 第83-85页 |
