基于Hadoop的出租车运营分析与决策支持的研究与应用
| 摘要 | 第6-8页 |
| Abstract | 第8-9页 |
| 第一章 绪论 | 第10-14页 |
| 1.1 选题背景及意义 | 第10页 |
| 1.2 国内外研究现状 | 第10-12页 |
| 1.3 内容及组织结构 | 第12-14页 |
| 第二章 相关技术介绍 | 第14-21页 |
| 2.1 Hadoop平台 | 第14-15页 |
| 2.1.1 Hadoop概述 | 第14页 |
| 2.1.2 分布式文件系统HDFS | 第14页 |
| 2.1.3 并行框架Spark | 第14-15页 |
| 2.1.4 Hadoop UI系统Hue | 第15页 |
| 2.2 数据预处理 | 第15-19页 |
| 2.2.1 数据格式 | 第15-16页 |
| 2.2.2 数据预处理 | 第16-19页 |
| 2.3 开发工具 | 第19-20页 |
| 2.3.1 深度学习框架Tensor Flow | 第19-20页 |
| 2.3.2 Web框架Django | 第20页 |
| 2.4 本章小结 | 第20-21页 |
| 第三章 出租车运营特征统计分析 | 第21-27页 |
| 3.1 出租车运力指标 | 第21-22页 |
| 3.1.1 指标统计 | 第21页 |
| 3.1.2 结果分析 | 第21-22页 |
| 3.2 出租车运营指标 | 第22-24页 |
| 3.2.1 指标统计 | 第22-23页 |
| 3.2.2 结果分析 | 第23-24页 |
| 3.3 出租车时空需求 | 第24-26页 |
| 3.3.1 时间差异 | 第24-25页 |
| 3.3.2 空间差异 | 第25-26页 |
| 3.4 本章小结 | 第26-27页 |
| 第四章 出租车上车需求预测关键技术研究 | 第27-41页 |
| 4.1 关键技术 | 第27-29页 |
| 4.1.1 回归分析 | 第27页 |
| 4.1.2 DNN模型 | 第27-28页 |
| 4.1.3 LSTM模型 | 第28页 |
| 4.1.4 数据归一化 | 第28-29页 |
| 4.2 基于DNN的出租车上车需求的预测研究 | 第29-33页 |
| 4.2.1 基于DNN模型的数据转换 | 第29-30页 |
| 4.2.2 DNN模型架构 | 第30-33页 |
| 4.3 基于LSTM的出租车上车需求的预测研究 | 第33-38页 |
| 4.3.1 基于LSTM模型的数据转换 | 第33-34页 |
| 4.3.2 LSTM模型架构 | 第34-38页 |
| 4.4 模型对比 | 第38-40页 |
| 4.4.1 拟合度指标分析 | 第38-39页 |
| 4.4.2 可视化分析 | 第39-40页 |
| 4.5 本章小结 | 第40-41页 |
| 第五章 出租车运营分析与决策支持系统的设计与实现 | 第41-57页 |
| 5.1 系统需求分析 | 第41-42页 |
| 5.1.1 可行性分析 | 第41页 |
| 5.1.2 系统总体需求 | 第41-42页 |
| 5.2 系统架构设计 | 第42-44页 |
| 5.2.1 系统层次架构 | 第42-43页 |
| 5.2.2 系统架构流程 | 第43-44页 |
| 5.3 功能设计与实现 | 第44-56页 |
| 5.3.1 核心功能设计 | 第44-45页 |
| 5.3.2 大数据平台模块 | 第45-47页 |
| 5.3.3 数据导入模块 | 第47-48页 |
| 5.3.4 数据可视化模块 | 第48-50页 |
| 5.3.5 评价指标模块 | 第50-52页 |
| 5.3.6 数据预测模块 | 第52-54页 |
| 5.3.7 上传报告模块 | 第54-55页 |
| 5.3.8 系统辅助模块 | 第55-56页 |
| 5.4 本章小结 | 第56-57页 |
| 第六章 总结与展望 | 第57-59页 |
| 6.1 总结 | 第57页 |
| 6.2 展望 | 第57-59页 |
| 参考文献 | 第59-62页 |
| 英文缩写词表 | 第62-63页 |
| 作者在攻读硕士学位期间公开发表的论文及参加的项目 | 第63-64页 |
| A：在国内外刊物上发表的论文 | 第63页 |
| B：获得的成果 | 第63页 |
| C：参加的项目 | 第63-64页 |
| 致谢 | 第64页 |
