| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7-8页 |
| 1 绪论 | 第11-19页 |
| 1.1 研究背景及意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-17页 |
| 1.2.1 交通流预测模型研究现状 | 第12-15页 |
| 1.2.2 云计算技术研究现状 | 第15-17页 |
| 1.3 章节组织以及研究框架 | 第17-19页 |
| 2 实验数据分析 | 第19-23页 |
| 2.1 实验数据来源 | 第19-20页 |
| 2.2 实验数据特性 | 第20-21页 |
| 2.3 实验数据标准 | 第21-22页 |
| 2.4 本章小结 | 第22-23页 |
| 3 基于改进的BP神经网络交通流预测 | 第23-43页 |
| 3.1 基于BP神经网络的交通流预测 | 第23-33页 |
| 3.1.1 BP神经网络简介 | 第23-25页 |
| 3.1.2 BP神经网络预测思想 | 第25-28页 |
| 3.1.3 BP神经网络训练数据分析 | 第28-29页 |
| 3.1.4 神经网络参数设计 | 第29-33页 |
| 3.2 基于K近邻方法的交通流预测 | 第33-37页 |
| 3.2.1 K近邻方法概述 | 第33-34页 |
| 3.2.2 K近邻方法预测交通流预测 | 第34-37页 |
| 3.3 基于K近邻和BP神经网络组合优化的交通流预测 | 第37-42页 |
| 3.3.1 基于K近邻和BP神经网络组合预测思想 | 第37-38页 |
| 3.3.2 基于K近邻和BP神经网络组合预测模型实现 | 第38-40页 |
| 3.3.3 基于K近邻和BP神经网络组合预测模型评价 | 第40-42页 |
| 3.4 本章小结 | 第42-43页 |
| 4 基于MapReduce的BP神经网络交通流预测 | 第43-59页 |
| 4.1 Hadoop云计算平台 | 第43-46页 |
| 4.1.1 分布式文件系统HDFS | 第44-45页 |
| 4.1.2 分布式计算MapReduce | 第45-46页 |
| 4.2 基于MapReduce的BP神经网络算法思想 | 第46-48页 |
| 4.2.1 BP神经网络的并行思想 | 第46-47页 |
| 4.2.2 基于MapReduce的BP神经网络的并行思想 | 第47-48页 |
| 4.3 基于MapReduce的BP神经网络算法设计 | 第48-53页 |
| 4.3.1 main函数 | 第50-51页 |
| 4.3.2 map函数的设计 | 第51-52页 |
| 4.3.3 reduce函数的设计 | 第52-53页 |
| 4.4 基于MapReduce的BP神经网络算法应用 | 第53-57页 |
| 4.4.1 仅考虑交通流量因素的MR-BP算法实例分析 | 第54-55页 |
| 4.4.2 考虑综合因素的MR-BP算法实例分析 | 第55-57页 |
| 4.5 本章小结 | 第57-59页 |
| 5 实验与分析 | 第59-67页 |
| 5.1 交通流预测系统 | 第59-60页 |
| 5.2 Hadoop实验平台的搭建与部署 | 第60-63页 |
| 5.2.1 Hadoop集群软硬件环境 | 第60页 |
| 5.2.2 Hadoop集群的搭建 | 第60-62页 |
| 5.2.3 Eclipse连接Hadoop集群 | 第62-63页 |
| 5.3 交通流预测模型结果分析 | 第63-65页 |
| 5.4 本章小结 | 第65-67页 |
| 6 结论与展望 | 第67-69页 |
| 6.1 结论 | 第67页 |
| 6.2 展望 | 第67-69页 |
| 参考文献 | 第69-73页 |
| 作者简历及攻读硕士学位期间取得的研究成果 | 第73-77页 |
| 学位论文数据集 | 第77页 |
