基于Spark平台的短时交通流预测研究
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第10-17页 |
| 1.1 选题背景及研究意义 | 第10-12页 |
| 1.2 短时交通流预测简介 | 第12-15页 |
| 1.2.1 短时交通流预测概述 | 第12-13页 |
| 1.2.2 短时交通流预测研究现状 | 第13-15页 |
| 1.3 本文研究内容及章节安排 | 第15-17页 |
| 第二章 交通流预测相关理论 | 第17-28页 |
| 2.1 交通流预测概述 | 第17-22页 |
| 2.1.1 交通流预测基本参数 | 第18-19页 |
| 2.1.2 交通数据的特点 | 第19-20页 |
| 2.1.3 数据预处理方法 | 第20-21页 |
| 2.1.4 实验数据准备 | 第21-22页 |
| 2.2 KNN算法 | 第22-27页 |
| 2.2.1 最近邻K值 | 第23-24页 |
| 2.2.2 样本相似度计算 | 第24-25页 |
| 2.2.3 基于时空特性的KNN算法 | 第25-27页 |
| 2.3 本章小结 | 第27-28页 |
| 第三章 Spark计算平台 | 第28-39页 |
| 3.1 Spark简介 | 第28-29页 |
| 3.2 Spark的组织架构 | 第29-32页 |
| 3.3 RDD简介 | 第32-34页 |
| 3.4 Spark基本工作流程 | 第34-36页 |
| 3.5 Spark的运行模式 | 第36-38页 |
| 3.6 本章小结 | 第38-39页 |
| 第四章 基于Spark的KNN算法并行研究与实现 | 第39-60页 |
| 4.1 算法的并行化 | 第39-41页 |
| 4.1.1 数据并行化 | 第39-40页 |
| 4.1.2 任务并行化 | 第40-41页 |
| 4.2 KNN算法的Spark并行化设计 | 第41-43页 |
| 4.3 KNN算法的Spark并行化实现 | 第43-46页 |
| 4.3.1 KNN算法数据并行的Spark实现 | 第43-45页 |
| 4.3.2 KNN算法任务并行的Spark实现 | 第45-46页 |
| 4.4 实验平台及平台搭建 | 第46-48页 |
| 4.4.1 实验平台 | 第46-47页 |
| 4.4.2 平台搭建 | 第47-48页 |
| 4.5 实验结果及分析 | 第48-59页 |
| 4.5.1 预测精度 | 第48-54页 |
| 4.5.2 预测时间 | 第54-59页 |
| 4.6 本章小结 | 第59-60页 |
| 总结与展望 | 第60-62页 |
| 参考文献 | 第62-67页 |
| 攻读硕士学位期间取得的研究成果 | 第67-68页 |
| 致谢 | 第68-69页 |
| 附件 | 第69页 |
