| 摘要 | 第3-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第12-17页 |
| 1.1 研究背景 | 第12-13页 |
| 1.2 研究目的及意义 | 第13页 |
| 1.3 研究现状及进展 | 第13-14页 |
| 1.4 研究内容 | 第14-15页 |
| 1.5 论文结构安排 | 第15-17页 |
| 第二章 理论基础 | 第17-25页 |
| 2.1 用户行为的定义和分类 | 第17页 |
| 2.1.1 用户行为的定义 | 第17页 |
| 2.1.2 用户行为的分类 | 第17页 |
| 2.2 用户行为分析方法 | 第17-18页 |
| 2.2.1 聚类分析 | 第18页 |
| 2.2.2 关联分析 | 第18页 |
| 2.3 聚类分析 | 第18-22页 |
| 2.3.1 聚类的定义 | 第18页 |
| 2.3.2 聚类的要求 | 第18-19页 |
| 2.3.3 聚类方法的类别 | 第19-20页 |
| 2.3.4 常见聚类算法 | 第20-21页 |
| 2.3.5 聚类算法的选取 | 第21-22页 |
| 2.4 关联分析 | 第22页 |
| 2.5 Spark组件 | 第22-24页 |
| 2.5.1 SparkCore | 第23页 |
| 2.5.2 SparkSQL | 第23-24页 |
| 2.5.3 MLlib | 第24页 |
| 2.6 本章小结 | 第24-25页 |
| 第三章 公交用户数据分析算法设计 | 第25-35页 |
| 3.1 数据处理工具的选取 | 第25页 |
| 3.2 数据预处理 | 第25-27页 |
| 3.2.1 数据预处理过程 | 第26页 |
| 3.2.2 数据预处理结果 | 第26-27页 |
| 3.3 基于FP-Growth模型的用户数据关联规则分析算法设计 | 第27-28页 |
| 3.4 用户时间行为分析算法设计 | 第28-31页 |
| 3.4.1 用户访问时间 | 第29-30页 |
| 3.4.2 模块平均访问时间 | 第30页 |
| 3.4.3 时间偏好模式 | 第30-31页 |
| 3.5 用户兴趣行为分析算法设计 | 第31-34页 |
| 3.5.1 各模块访问人次 | 第31-32页 |
| 3.5.2 兴趣偏好模式 | 第32-34页 |
| 3.6 本章小结 | 第34-35页 |
| 第四章 公交用户数据挖掘算法实验与结果分析 | 第35-49页 |
| 4.1 基于FP-Growth模型的用户数据关联规则分析 | 第35-36页 |
| 4.1.1 挖掘结果 | 第35-36页 |
| 4.1.2 结果分布 | 第36页 |
| 4.2 用户时间行为分析 | 第36-43页 |
| 4.2.1 用户访问时间分析 | 第37-38页 |
| 4.2.2 模块平均访问时间分析 | 第38-39页 |
| 4.2.3 类簇个数K值的选择 | 第39-40页 |
| 4.2.4 基于K-Means聚类的用户时间偏好模式分析 | 第40-41页 |
| 4.2.5 基于神经网络聚类的用户时间偏好模式分析 | 第41-42页 |
| 4.2.6 两种聚类模型对比实验分析 | 第42-43页 |
| 4.3 用户兴趣行为分析 | 第43-48页 |
| 4.3.1 各模块访问人次分析 | 第43-44页 |
| 4.3.2 类簇个数K值的选择 | 第44-45页 |
| 4.3.3 基于K-Means聚类的用户兴趣偏好模式分析 | 第45-46页 |
| 4.3.4 基于神经网络聚类的用户兴趣偏好模式分析 | 第46-47页 |
| 4.3.5 两种聚类模型对比实验分析 | 第47-48页 |
| 4.4 本章小结 | 第48-49页 |
| 第五章 总结与展望 | 第49-51页 |
| 5.1 总结 | 第49页 |
| 5.2 展望 | 第49-51页 |
| 附录 | 第51-52页 |
| 致谢 | 第52-53页 |
| 参考文献 | 第53-56页 |
