基于Hadoop平台的铁路车流运行径路获取与预测模型及算法研究
| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7-8页 |
| 1 绪论 | 第12-18页 |
| 1.1 论文研究背景及意义 | 第12-13页 |
| 1.2 国内外研究现状 | 第13-16页 |
| 1.2.1 车流径路计算与优化方法研究 | 第13-14页 |
| 1.2.2 大数据与云计算架构及应用研究 | 第14-15页 |
| 1.2.3 序列建模与应用研究 | 第15-16页 |
| 1.3 研究内容及技术路线 | 第16-18页 |
| 1.3.1 研究内容 | 第16-17页 |
| 1.3.2 技术路线 | 第17-18页 |
| 2 铁路车流径路既有理论 | 第18-24页 |
| 2.1 铁路车流径路概述 | 第18-19页 |
| 2.1.1 车流径路的分类 | 第18页 |
| 2.1.2 车流径路的特点 | 第18-19页 |
| 2.2 车流径路与计费径路 | 第19页 |
| 2.3 车流径路的确定 | 第19-22页 |
| 2.3.1 理论计算法 | 第19-21页 |
| 2.3.2 生产计算法 | 第21-22页 |
| 2.4 车流径路与车流预测 | 第22页 |
| 2.5 本章小结 | 第22-24页 |
| 3 铁路车流运行径路的获取 | 第24-36页 |
| 3.1 车流运行径路 | 第24页 |
| 3.2 铁路运输信息集成平台 | 第24-27页 |
| 3.3 车流运行径路获取模型 | 第27-32页 |
| 3.3.1 径路节点映射模型 | 第28页 |
| 3.3.2 车辆报文匹配模型 | 第28-31页 |
| 3.3.3 径路序列拼接模型 | 第31-32页 |
| 3.4 车流运行径路获取算法 | 第32-35页 |
| 3.4.1 表结构设计 | 第32-33页 |
| 3.4.2 算法流程设计 | 第33-35页 |
| 3.5 本章小结 | 第35-36页 |
| 4 基于Hadoop的车流运行径路挖掘分析 | 第36-54页 |
| 4.1 大数据方法处理车流运行径路问题 | 第36-42页 |
| 4.1.1 Hadoop平台 | 第36-38页 |
| 4.1.2 HDFS模块 | 第38-39页 |
| 4.1.3 MapReduce编程模型 | 第39-42页 |
| 4.2 车流运行径路的处理架构设计 | 第42-46页 |
| 4.2.1 Hadoop集群节点布局与划分 | 第42页 |
| 4.2.2 Sqoop导入数据到HDFS | 第42-44页 |
| 4.2.3 Map阶段任务配置与分发 | 第44页 |
| 4.2.4 Reduce阶段任务合并与数据存储 | 第44-45页 |
| 4.2.5 Sqoop导出数据到关系数据库 | 第45-46页 |
| 4.3 车流运行径路模式生成及径路预测 | 第46-52页 |
| 4.3.1 变阶马尔科夫模型 | 第47-49页 |
| 4.3.2 概率后缀树的构建 | 第49-50页 |
| 4.3.3 基于概率后缀树的径路预测 | 第50-52页 |
| 4.4 本章小结 | 第52-54页 |
| 5 算法实现与实例分析 | 第54-76页 |
| 5.1 系统开发与运行环境部署 | 第54-61页 |
| 5.1.1 系统硬件环境配置 | 第54页 |
| 5.1.2 系统运行软件环境 | 第54-60页 |
| 5.1.3 泵统软件开发环境 | 第60-61页 |
| 5.2 运行径路数据获取 | 第61-66页 |
| 5.2.1 数据清洗处理 | 第61页 |
| 5.2.2 报文匹配处理 | 第61-64页 |
| 5.2.3 车次拼接处理 | 第64-66页 |
| 5.3 概率后缀树的构建 | 第66-72页 |
| 5.3.1 Sqoop工具实现数据导入 | 第66-67页 |
| 5.3.2 MapReduce程序实现 | 第67-69页 |
| 5.3.3 Sqoop工具实现数据导出 | 第69-71页 |
| 5.3.4 构建概率后缀树 | 第71-72页 |
| 5.4 运行径路的预测及应用 | 第72-75页 |
| 5.5 本章小结 | 第75-76页 |
| 6 结论 | 第76-78页 |
| 6.1 论文主要内容总结 | 第76页 |
| 6.2 论文的不足与展望 | 第76-78页 |
| 参考文献 | 第78-82页 |
| 作者简历及攻读硕士学位期间取得的研究成果 | 第82-86页 |
| 学位论文数据集 | 第86页 |
