| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第15-21页 |
| 1.1 研究背景与意义 | 第15-16页 |
| 1.2 国内外研究现状 | 第16-19页 |
| 1.2.1 智能交通发展及研究状况 | 第16-17页 |
| 1.2.2 车载信息系统发展及研究状况 | 第17-18页 |
| 1.2.3 大数据处理技术的研究状况 | 第18-19页 |
| 1.3 本文的主要工作 | 第19-20页 |
| 1.4 本文的组织结构 | 第20-21页 |
| 第二章 车载信息系统和大数据处理技术 | 第21-34页 |
| 2.1 车载信息系统概述 | 第21-26页 |
| 2.1.1 车载信息系统的发展 | 第21-23页 |
| 2.1.2 车载信息系统的功能 | 第23-24页 |
| 2.1.3 车载信息系统的关键技术 | 第24-26页 |
| 2.2 车载数据 | 第26-28页 |
| 2.2.1 数据来源和种类 | 第26页 |
| 2.2.2 数据特点 | 第26-28页 |
| 2.3 大数据处理技术 | 第28-32页 |
| 2.3.1 Hadoop | 第28-30页 |
| 2.3.2 Storm | 第30-31页 |
| 2.3.3 Spark | 第31-32页 |
| 2.4 各种大数据处理技术的比较 | 第32-33页 |
| 2.5 本章小结 | 第33-34页 |
| 第三章 面向车载信息的大数据处理平台的解决方案 | 第34-48页 |
| 3.1 面向车载信息的大数据处理平台概述 | 第34-35页 |
| 3.2 车载数据传输策略及分类 | 第35-36页 |
| 3.2.1 车载数据的上传策略 | 第35-36页 |
| 3.2.2 数据分类 | 第36页 |
| 3.3 面向车载信息的大数据处理平台的总体架构 | 第36-42页 |
| 3.3.1 总体结构框架 | 第37页 |
| 3.3.2 分层结构 | 第37-42页 |
| 3.4 数据处理层的设计 | 第42-45页 |
| 3.4.1 批处理计算框架 | 第43-44页 |
| 3.4.2 实时数据处理框架 | 第44页 |
| 3.4.3 集群资源管理器 | 第44-45页 |
| 3.5 数据存储层的设计 | 第45-46页 |
| 3.5.1 关系型数据库 | 第45-46页 |
| 3.5.2 新型数据库 | 第46页 |
| 3.6 本章小结 | 第46-48页 |
| 第四章 车载信息大数据处理平台在道路导航方面的应用 | 第48-70页 |
| 4.1 道路导航 | 第49-52页 |
| 4.1.1 道路导航简介 | 第49页 |
| 4.1.2 道路导航常用算法 | 第49-51页 |
| 4.1.3 常用算法未考虑的因素 | 第51-52页 |
| 4.2 道路导航中每条道路的权值表示 | 第52-57页 |
| 4.2.1 问题解决思想 | 第52-53页 |
| 4.2.2 道路权值建模 | 第53-57页 |
| 4.3 道路拥堵量的预测 | 第57-67页 |
| 4.3.1 常用的预测算法 | 第58-59页 |
| 4.3.2 BP神经网络的基本原理 | 第59-60页 |
| 4.3.3 BP神经网络的数学模型 | 第60-63页 |
| 4.3.4 基于BP神经网络道路拥堵量预测模型的构建 | 第63-67页 |
| 4.4 BP神经网络预测模型与动态最优路径算法的结合 | 第67-69页 |
| 4.5 本章小结 | 第69-70页 |
| 第五章 实验平台测试与评估 | 第70-88页 |
| 5.1 实验平台的搭建和实验数据 | 第70-76页 |
| 5.1.1 Hadoop集群环境搭建 | 第70-74页 |
| 5.1.2 实验数据 | 第74-76页 |
| 5.2 实验平台的运行 | 第76-87页 |
| 5.2.1 BP神经网络模型对单条道路的预测 | 第76-80页 |
| 5.2.2 结合MapReduce对全交通道路的预测 | 第80-82页 |
| 5.2.3 道路导航实验运行 | 第82-87页 |
| 5.3 实验结果分析 | 第87页 |
| 5.4 本章小结 | 第87-88页 |
| 第六章 总结与展望 | 第88-90页 |
| 6.1 全文总结 | 第88页 |
| 6.2 前景展望 | 第88-90页 |
| 致谢 | 第90-91页 |
| 参考文献 | 第91-95页 |
| 攻读硕士期间取得的研究成果 | 第95-96页 |
