| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第9-14页 |
| 1.1 研究背景及意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-12页 |
| 1.3 论文的主要研究内容 | 第12页 |
| 1.4 论文的组织结构 | 第12-14页 |
| 第二章 相关技术综述 | 第14-24页 |
| 2.1 云平台相关技术 | 第14-17页 |
| 2.1.1 SPARK云计算平台 | 第14-17页 |
| 2.1.2 HDFS分布式文件存储系统 | 第17页 |
| 2.2 机器学习回归预测算法 | 第17-23页 |
| 2.2.1 基于SPARK的回归预测算法 | 第18-20页 |
| 2.2.2 随机决策树算法 | 第20-22页 |
| 2.2.3 算法比较 | 第22-23页 |
| 2.3 本章小结 | 第23-24页 |
| 第三章 公交线路客流数据的分析处理 | 第24-38页 |
| 3.1 公交客流分布特性分析 | 第24-31页 |
| 3.1.1 公交客流的时间特征分析 | 第24-27页 |
| 3.1.2 公交客流的线路特征分析 | 第27-28页 |
| 3.1.3 公交客流的人群特征分析 | 第28-29页 |
| 3.1.4 公交客流的天气特征分析 | 第29-31页 |
| 3.2 特征数据设计 | 第31-33页 |
| 3.2.1 数据模型及结构 | 第31页 |
| 3.2.2 特征选取与量化 | 第31-32页 |
| 3.2.3 特征格式标准化 | 第32-33页 |
| 3.3 特征数据分布式处理与存储 | 第33-37页 |
| 3.3.1 SIMHASH算法 | 第33-34页 |
| 3.3.2 特征数据二进制转换 | 第34-35页 |
| 3.3.3 特征数据分布式处理 | 第35-37页 |
| 3.3.4 特征数据存储 | 第37页 |
| 3.4 本章小结 | 第37-38页 |
| 第四章 公交线路客流预测方法的实现 | 第38-52页 |
| 4.1 公交线路客流预测方法综述 | 第38-40页 |
| 4.1.1 现有公交线路客流预测方法 | 第38-39页 |
| 4.1.2 改进公交线路客流预测方法 | 第39-40页 |
| 4.2 公交线路客流预测方法实现 | 第40-47页 |
| 4.2.1 公交客流特征数据建模与分割 | 第41-43页 |
| 4.2.2 公交线路客流预测模型训练算法 | 第43-46页 |
| 4.2.3 公交线路客流回归预测算法 | 第46-47页 |
| 4.3 基于SPARK云平台的公交线路客流预测方法 | 第47-51页 |
| 4.3.1 公交客流特征数据读取 | 第47-48页 |
| 4.3.2 分布式预测方法流程 | 第48-49页 |
| 4.3.3 分布式模型训练算法实现 | 第49页 |
| 4.3.4 分布式回归预测算法实现 | 第49-51页 |
| 4.4 本章小结 | 第51-52页 |
| 第五章 实验性能测试分析 | 第52-62页 |
| 5.1 实验环境 | 第52页 |
| 5.2 数据清洗与构建 | 第52-55页 |
| 5.2.1 数据清洗 | 第52-54页 |
| 5.2.2 训练集构建 | 第54-55页 |
| 5.3 公交客流预测方法性能测试 | 第55-62页 |
| 5.3.1 预测模型精度评估方法 | 第55-56页 |
| 5.3.2 传统预测模型精度 | 第56-58页 |
| 5.3.3 改进算法预测模型精度 | 第58-60页 |
| 5.3.4 高效性能测试 | 第60-62页 |
| 第六章 总结与展望 | 第62-64页 |
| 6.1 总结 | 第62-63页 |
| 6.2 未来工作展望 | 第63-64页 |
| 参考文献 | 第64-68页 |
| 致谢 | 第68-69页 |
| 攻读硕士学位期间的主要研究成果 | 第69页 |