| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7页 |
| 目录 | 第9-11页 |
| 1 引言 | 第11-18页 |
| 1.1 课题研究背景及意义 | 第11-13页 |
| 1.1.1 研究背景 | 第11-12页 |
| 1.1.2 研究意义 | 第12-13页 |
| 1.2 国内外研究现状 | 第13-17页 |
| 1.2.1 大数据研究现状 | 第13-15页 |
| 1.2.2 客户细分研究现状 | 第15-17页 |
| 1.3 论文组织结构 | 第17-18页 |
| 2 理论基础及相关技术 | 第18-29页 |
| 2.1 Hadoop系统 | 第18-22页 |
| 2.1.1 Hadoop简介 | 第18-19页 |
| 2.1.2 MapReduce框架 | 第19-20页 |
| 2.1.3 分布式文件系统HDFS | 第20-22页 |
| 2.2 客户细分 | 第22-26页 |
| 2.2.1 客户细分方法的分类 | 第22-25页 |
| 2.2.2 RFM模型 | 第25-26页 |
| 2.3 聚类算法 | 第26-28页 |
| 2.3.1 聚类算法的分类 | 第26-27页 |
| 2.3.2 K-means聚类 | 第27-28页 |
| 2.4 本章小结 | 第28-29页 |
| 3 基于聚类算法的铁路货运客户细分 | 第29-45页 |
| 3.1 客户细分需求分析 | 第29页 |
| 3.2 货运数据预处理 | 第29-33页 |
| 3.2.1 数据抽取 | 第30页 |
| 3.2.2 数据清洗 | 第30-31页 |
| 3.2.3 数据转换 | 第31页 |
| 3.2.4 数据标准化及其MapReduce并行化 | 第31-33页 |
| 3.3 RFM模型的改进 | 第33-35页 |
| 3.4 K-means聚类算法的改进 | 第35-37页 |
| 3.4.1 传统K-means算法的不足 | 第35页 |
| 3.4.2 初始聚类中心选择的优化 | 第35-37页 |
| 3.5 K-means算法的MapReduce实现 | 第37-41页 |
| 3.6 实验结果 | 第41-44页 |
| 3.6.1 聚类准确率比较 | 第41-43页 |
| 3.6.2 并行性能评估 | 第43-44页 |
| 3.7 本章小结 | 第44-45页 |
| 4 实验结果与分析 | 第45-54页 |
| 4.1 实验环境 | 第45-47页 |
| 4.1.1 实验运行平台 | 第45-46页 |
| 4.1.2 Hadoop实验平台搭建 | 第46-47页 |
| 4.2 实验数据 | 第47-50页 |
| 4.3 铁路货运客户细分实验 | 第50-53页 |
| 4.3.1 实验步骤 | 第50-51页 |
| 4.3.2 实验结果分析 | 第51-53页 |
| 4.4 本章小结 | 第53-54页 |
| 5 总结与展望 | 第54-56页 |
| 5.1 全文总结 | 第54页 |
| 5.2 工作展望 | 第54-56页 |
| 参考文献 | 第56-59页 |
| 作者简历 | 第59-61页 |
| 学位论文数据集 | 第61页 |