| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第1章 绪论 | 第10-14页 |
| 1.1 课题研究背景及意义 | 第10-11页 |
| 1.2 公交支付系统发展现状 | 第11页 |
| 1.3 Hadoop平台下客流量预测研究现状 | 第11-12页 |
| 1.3.1 客流量预测国内外研究现状 | 第11-12页 |
| 1.3.2 Hadoop云计算技术发展现状 | 第12页 |
| 1.3.3 基于Hadoop平台的预测研究现状 | 第12页 |
| 1.4 论文主要工作及章节安排 | 第12-14页 |
| 第2章 相关技术及总体设计思路 | 第14-24页 |
| 2.1 新型公交支付系统相关技术 | 第14-16页 |
| 2.1.1 支付系统总体结构分析 | 第14-15页 |
| 2.1.2 支付系统工作方式 | 第15-16页 |
| 2.2 公交客流数据实时采集 | 第16-18页 |
| 2.2.1 传统客流数据采集技术分析 | 第16-17页 |
| 2.2.2 新型支付系统客流数据实时采集技术分析 | 第17-18页 |
| 2.3 Hadoop云计算相关技术 | 第18-21页 |
| 2.3.1 Hadoop整体结构 | 第18页 |
| 2.3.2 Hadoop相关技术 | 第18-21页 |
| 2.4 总体设计思路 | 第21-22页 |
| 2.5 本章小结 | 第22-24页 |
| 第3章 客流量预测算法研究 | 第24-42页 |
| 3.1 公交客流影响因素分析 | 第24-28页 |
| 3.1.1 不易变影响因素分析 | 第24-25页 |
| 3.1.2 易变影响因素分析 | 第25-28页 |
| 3.2 客流数据预处理方法研究 | 第28-30页 |
| 3.2.1 数据分类 | 第28-29页 |
| 3.2.2 异常及缺失数据处理 | 第29页 |
| 3.2.3 重复数据处理与归一化 | 第29-30页 |
| 3.3 客流量预测算法的研究 | 第30-37页 |
| 3.3.1 常用预测算法研究 | 第30-36页 |
| 3.3.2 预测算法分析及选取 | 第36-37页 |
| 3.4 BP算法的研究并提出改进思想 | 第37-41页 |
| 3.4.1 BP神经网络算法的实现 | 第37-38页 |
| 3.4.2 公交客流预测设计实现 | 第38-40页 |
| 3.4.3 预测结果分析并提出改进 | 第40-41页 |
| 3.5 本章小结 | 第41-42页 |
| 第4章 基于MapReduce的PSO-BP改进算法的实现 | 第42-58页 |
| 4.1 算法改进方案设计 | 第42-43页 |
| 4.1.1 算法改进方式的选定 | 第42页 |
| 4.1.2 算法改进方案设计 | 第42-43页 |
| 4.2 PSO算法 | 第43-45页 |
| 4.2.1 PSO模型建立 | 第43-44页 |
| 4.2.2 PSO算法研究 | 第44-45页 |
| 4.3 PSO对BP神经网络的优化设计 | 第45-51页 |
| 4.3.1 PSO-BP算法设计 | 第46-49页 |
| 4.3.2 基于PSO-BP算法的公交客流预测 | 第49-51页 |
| 4.4 基于MapReduce的PSO-BP算法的并行实现 | 第51-57页 |
| 4.4.1 MapReduce并行计算模型 | 第51-52页 |
| 4.4.2 PSO算法的并行设计与实现 | 第52-54页 |
| 4.4.3 BP神经网络的并行设计与实现 | 第54-57页 |
| 4.5 本章小结 | 第57-58页 |
| 第5章 数据处理平台设计实现及客流量预测分析 | 第58-76页 |
| 5.1 数据处理平台总体结构与设计 | 第58页 |
| 5.2 平台测试环境搭建 | 第58-67页 |
| 5.2.1 平台硬件环境 | 第58-59页 |
| 5.2.2 平台软件环境 | 第59页 |
| 5.2.3 Hadoop分布式处理平台的搭建 | 第59-67页 |
| 5.3 基于MR-PSO-BP算法的公交客流预测 | 第67-70页 |
| 5.4 实验结果分析与评价 | 第70-73页 |
| 5.5 本章小结 | 第73-76页 |
| 结论 | 第76-78页 |
| 参考文献 | 第78-82页 |
| 攻读硕士学位期间发表的论文和取得的科研成果 | 第82-84页 |
| 致谢 | 第84页 |