| 摘要 | 第6-7页 |
| Abstract | 第7-8页 |
| 第1章 绪论 | 第11-15页 |
| 1.1 研究意义 | 第11-12页 |
| 1.2 国内外发展现状 | 第12-13页 |
| 1.3 论文主要研究内容 | 第13-15页 |
| 第2章 相关技术概述 | 第15-24页 |
| 2.1 数据挖掘技术 | 第15-16页 |
| 2.2 数据挖掘算法研究 | 第16-18页 |
| 2.2.1 K-means聚类算法 | 第16-17页 |
| 2.2.2 Apriori算法步骤 | 第17-18页 |
| 2.3 Hadoop分布式计算平台 | 第18-23页 |
| 2.3.1 Hadoop技术概述 | 第18-20页 |
| 2.3.2 分布式文件系统HDFS | 第20-21页 |
| 2.3.3 MapReduce分布式编程模型 | 第21-23页 |
| 2.3.4 Yarn资源调度 | 第23页 |
| 2.4 本章小结 | 第23-24页 |
| 第3章 图像信息采集 | 第24-41页 |
| 3.1 原始图像预处理 | 第24-27页 |
| 3.2 车牌定位 | 第27-28页 |
| 3.3 字符分割 | 第28-29页 |
| 3.4 基于卷积神经网络的字符识别 | 第29-40页 |
| 3.4.1 卷积神经网络结构 | 第29-34页 |
| 3.4.2 基于卷积神经网络的车牌字符识别 | 第34-40页 |
| 3.5 本章小结 | 第40-41页 |
| 第4章 系统设计与实现 | 第41-53页 |
| 4.1 形成节气样本中心 | 第41-47页 |
| 4.1.1 形成节气样本 | 第41-43页 |
| 4.1.2 基于Hadoop的Apriori算法并行化设计 | 第43-45页 |
| 4.1.3 运用并行化Apriori算法进行关联度分析 | 第45-47页 |
| 4.2 区域车流量水平分类及算法实现 | 第47-49页 |
| 4.2.1 区域车流量水平分类 | 第47页 |
| 4.2.2 基于Hadoop的K-means算法并行化设计 | 第47页 |
| 4.2.3 通过并行化k-means算法实现分类 | 第47-49页 |
| 4.3 运行模式更新 | 第49-50页 |
| 4.4 试验结果分析 | 第50-52页 |
| 4.4.1 试验环境 | 第50页 |
| 4.4.2 实例分析 | 第50-52页 |
| 4.5 本章小结 | 第52-53页 |
| 第5章 基于动态路径规划的交通流优化 | 第53-60页 |
| 5.1 路网模型简化 | 第53-54页 |
| 5.2 基于动态规划的ITS路径选择 | 第54-56页 |
| 5.3 交通诱导仿真 | 第56-59页 |
| 5.4 本章小结 | 第59-60页 |
| 结论 | 第60-61页 |
| 参考文献 | 第61-65页 |
| 攻读学位期间取得的学术成果 | 第65-66页 |
| 致谢 | 第66页 |
