| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 第1章 绪论 | 第16-26页 |
| 1.1 课题来源 | 第16页 |
| 1.2 研究背景及意义 | 第16-17页 |
| 1.3 云计算平台介绍 | 第17-19页 |
| 1.4 国内外研究现状 | 第19-22页 |
| 1.4.1 短时交通流预测研究现状 | 第19-21页 |
| 1.4.2 基于云计算平台的预测模型研究综述 | 第21-22页 |
| 1.5 小结 | 第22-26页 |
| 1.5.1 论文主要研究内容和组织结构 | 第23-24页 |
| 1.5.2 技术框架图 | 第24-26页 |
| 第2章 交通流特点及数据预处理 | 第26-39页 |
| 2.1 交通流参数 | 第26-28页 |
| 2.1.1 交通流基本参数 | 第26页 |
| 2.1.2 交通流参数之间的关系 | 第26-28页 |
| 2.2 城市交通流的特点 | 第28-33页 |
| 2.2.1 周期性和相似性 | 第28-30页 |
| 2.2.2 随机性和不确定性 | 第30-31页 |
| 2.2.3 不均匀性 | 第31-33页 |
| 2.2.4 空间相关性 | 第33页 |
| 2.3 实验数据准备 | 第33-37页 |
| 2.3.1 实验预测路段 | 第33-35页 |
| 2.3.2 实验数据来源 | 第35-37页 |
| 2.4 数据预处理 | 第37-38页 |
| 2.4.1 异常处理 | 第37页 |
| 2.4.2 缺失补全 | 第37页 |
| 2.4.3 平滑处理 | 第37-38页 |
| 2.5 本章小结 | 第38-39页 |
| 第3章 交通流预测理论 | 第39-52页 |
| 3.1 交通流预测基本原理 | 第39-40页 |
| 3.2 交通流预测模型概述 | 第40页 |
| 3.3 支持向量回归机模型 | 第40-46页 |
| 3.3.1 SVR模型的数学表达形式 | 第42-44页 |
| 3.3.2 Kernel介绍 | 第44页 |
| 3.3.3 SVR模型的训练算法 | 第44-46页 |
| 3.4 神经网络回归模型 | 第46-50页 |
| 3.4.1 神经网络回归模型简介 | 第46-47页 |
| 3.4.2 参数训练过程 | 第47-49页 |
| 3.4.3 模型的超参数选择以及过拟合问题 | 第49-50页 |
| 3.4.4 神经网络的训练算法 | 第50页 |
| 3.5 本章小结 | 第50-52页 |
| 第4章 Spark大数据生态的介绍 | 第52-60页 |
| 4.1 Spark云计算平台 | 第52-56页 |
| 4.1.1 Spark的特点 | 第53页 |
| 4.1.2 RDD数据集 | 第53-54页 |
| 4.1.3 Spark的运行和调度 | 第54-55页 |
| 4.1.4 HDFS文件系统 | 第55-56页 |
| 4.2 SparkStreaming流式处理技术 | 第56-57页 |
| 4.2.1 内部结构 | 第56页 |
| 4.2.2 离散流DiscretizedStreams(DStreams) | 第56-57页 |
| 4.2.3 DStream中的操作 | 第57页 |
| 4.3 Kafka分布式消息系统 | 第57-59页 |
| 4.3.1 Kafka的体系结构 | 第58页 |
| 4.3.2 Kafka的特点 | 第58-59页 |
| 4.3.3 Kafka和SparkStreaming的集成方式 | 第59页 |
| 4.4 本章小结 | 第59-60页 |
| 第5章 基于Spark的分布式预测算法的设计 | 第60-71页 |
| 5.1 分布式算法的设计策略 | 第60-63页 |
| 5.1.1 参数平均化 | 第61-62页 |
| 5.1.2 并行化方案的选择 | 第62-63页 |
| 5.1.3 分布式与单机训练方法的适用场景 | 第63页 |
| 5.2 基于Spark的分布式算法设计 | 第63-66页 |
| 5.2.1 分布式SVR算法的设计 | 第63-65页 |
| 5.2.2 分布式神经网络模型的设计 | 第65-66页 |
| 5.3 基于SparkStreaming的城市交通流实时预测框架 | 第66-69页 |
| 5.3.1 框架搭建 | 第66-68页 |
| 5.3.2 实时预测框架的测试 | 第68-69页 |
| 5.4 本章小结 | 第69-71页 |
| 第6章 实验案例 | 第71-92页 |
| 6.1 实验平台搭建 | 第71-75页 |
| 6.1.1 实验平台 | 第71-72页 |
| 6.1.2 平台搭建 | 第72-75页 |
| 6.1.3 Spark任务提交 | 第75页 |
| 6.2 特征变量的构造 | 第75-77页 |
| 6.2.1 特征变量的构成 | 第75-76页 |
| 6.2.2 特征变量的选择 | 第76页 |
| 6.2.3 归一化 | 第76-77页 |
| 6.2.4 构造训练数据集与测试数据集 | 第77页 |
| 6.3 模型的训练 | 第77-81页 |
| 6.3.1 模型的参数选择 | 第77-79页 |
| 6.3.2 模型的运行过程 | 第79-81页 |
| 6.4 实验结果及分析 | 第81-91页 |
| 6.4.1 评价指标 | 第81-82页 |
| 6.4.2 预测结果汇总 | 第82-83页 |
| 6.4.3 预测精度对比 | 第83-87页 |
| 6.4.4 训练时间对比 | 第87-89页 |
| 6.4.5 分布式系统性能分析 | 第89-91页 |
| 6.5 本章小结 | 第91-92页 |
| 总结与展望 | 第92-94页 |
| 参考文献 | 第94-98页 |
| 致谢 | 第98页 |
