| 中文摘要 | 第3-4页 |
| 英文摘要 | 第4-5页 |
| 1 绪论 | 第9-15页 |
| 1.1 研究背景及意义 | 第9-11页 |
| 1.1.1 城市道路交通存在问题 | 第9页 |
| 1.1.2 智能交通系统 | 第9-10页 |
| 1.1.3 问题提出及意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-12页 |
| 1.3 本文研究内容与章节安排 | 第12-13页 |
| 1.4 本章小结 | 第13-15页 |
| 2 相关技术理论 | 第15-27页 |
| 2.1 基于RFID技术的电子车牌数据采集 | 第15-19页 |
| 2.1.1 基于RFID技术的电子车牌数据采集工作原理 | 第15-16页 |
| 2.1.2 电子车牌数据集描述 | 第16-17页 |
| 2.1.3 电子车牌数据预处理 | 第17-19页 |
| 2.2 短时交通预测 | 第19-20页 |
| 2.3 流数据处理相关技术 | 第20-25页 |
| 2.3.1 流式计算中数据流特征 | 第20-21页 |
| 2.3.2 Spark Streaming流数据处理系统 | 第21-23页 |
| 2.3.3 消息队列Kafka | 第23-25页 |
| 2.4 本章小结 | 第25-27页 |
| 3 基于电子车牌数据的城市道路路段行程时间特征研究 | 第27-41页 |
| 3.1 概述 | 第27页 |
| 3.2 路段行程时间 | 第27-33页 |
| 3.2.1 行程时间计算 | 第27-28页 |
| 3.2.2 行程时间分布特征 | 第28-33页 |
| 3.3 路段行程时间的概率分布模型 | 第33-40页 |
| 3.3.1 路段行程时间的常用统计分布 | 第33-34页 |
| 3.3.2 路段行程时间分布拟合 | 第34-40页 |
| 3.4 本章小结 | 第40-41页 |
| 4 行程时间预测模型 | 第41-57页 |
| 4.1 概述 | 第41页 |
| 4.2 K最近邻算法 | 第41-44页 |
| 4.2.1 基本概念 | 第41-42页 |
| 4.2.2 KNN算法的关键步骤 | 第42-44页 |
| 4.3 城市道路行程时间预测模型 | 第44-48页 |
| 4.3.1 数据准备 | 第44-46页 |
| 4.3.2 构造特征向量 | 第46页 |
| 4.3.3 K值 | 第46-47页 |
| 4.3.4 距离测量 | 第47页 |
| 4.3.5 局部估计方法 | 第47-48页 |
| 4.4 实验 | 第48-55页 |
| 4.4.1 实验环境与数据 | 第48-49页 |
| 4.4.2 评价指标 | 第49页 |
| 4.4.3 实验分析 | 第49-55页 |
| 4.4.4 实验对比 | 第55页 |
| 4.5 本章小结 | 第55-57页 |
| 5 基于Spark Streaming的行程时间实时预测 | 第57-73页 |
| 5.1 概述 | 第57页 |
| 5.2 系统设计 | 第57-61页 |
| 5.2.1 系统需求分析 | 第57页 |
| 5.2.2 系统总体设计 | 第57-59页 |
| 5.2.3 系统核心功能设计 | 第59-61页 |
| 5.3 行程时间实时预测实现 | 第61-63页 |
| 5.4 实验环境搭建 | 第63-69页 |
| 5.4.1 实验软硬件环境 | 第63-64页 |
| 5.4.2 搭建Spark集群 | 第64-65页 |
| 5.4.3 搭建Kafka集群 | 第65-67页 |
| 5.4.4 搭建Redis集群 | 第67-69页 |
| 5.5 系统测试与性能分析 | 第69-72页 |
| 5.5.1 Kafka性能测试 | 第69-70页 |
| 5.5.2 系统测试 | 第70-72页 |
| 5.6 本章小结 | 第72-73页 |
| 6 总结与展望 | 第73-75页 |
| 6.1 总结 | 第73页 |
| 6.2 下一步工作 | 第73-75页 |
| 致谢 | 第75-77页 |
| 参考文献 | 第77-81页 |
| 附录 | 第81页 |
| A.攻读学位期间参加的科研项目 | 第81页 |
