| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 第1章 绪论 | 第9-18页 |
| 1.1 课题来源 | 第9页 |
| 1.2 研究背景与意义 | 第9-11页 |
| 1.3 国内外研究概述 | 第11-15页 |
| 1.3.1 国内研究现状 | 第11-13页 |
| 1.3.2 国外研究现状 | 第13-15页 |
| 1.4 本文主要研究内容 | 第15-16页 |
| 1.5 本文的章节安排 | 第16-18页 |
| 第2章 基于Hadoop平台的数据处理 | 第18-29页 |
| 2.1 物流车辆GPS数据样本与字段含义 | 第18-19页 |
| 2.2 物流车辆GPS数据来源 | 第19-21页 |
| 2.3 离线数据分析 | 第21-28页 |
| 2.3.1 基于HDFS的物流车辆GPS数据存放 | 第21-24页 |
| 2.3.2 基于MapReduce的物流车辆GPS数据处理 | 第24-28页 |
| 2.4 本章小结 | 第28-29页 |
| 第3章 基于PCA的城市公路物流指数构建 | 第29-51页 |
| 3.1 挖掘影响城市公路物流的因素 | 第29-30页 |
| 3.2 分析挖掘物流车辆GPS数据 | 第30-34页 |
| 3.2.1 物流车辆GPS数据特征 | 第30-31页 |
| 3.2.2 分析挖掘城市物流指标 | 第31-34页 |
| 3.3 基于物流行为的全国城市物流影响力模型构建 | 第34-43页 |
| 3.3.1 基于PageRank算法的全国城市物流影响力模型 | 第34-37页 |
| 3.3.2 基于PageRank算法的全国城市物流影响力改进模型 | 第37-38页 |
| 3.3.3 PageRank算法和ULR算法在物流中的应用 | 第38-43页 |
| 3.4 城市公路物流指数模型 | 第43-49页 |
| 3.4.1 指标的KMO检验 | 第44-45页 |
| 3.4.2 基期的选择 | 第45页 |
| 3.4.3 主成分分析法计算合成城市公路物流指数 | 第45-49页 |
| 3.5 本章小结 | 第49-51页 |
| 第4章 城市公路物流指数的验证与预测 | 第51-63页 |
| 4.1 城市公路物流指数的结果分析 | 第51-53页 |
| 4.2 城市公路物流指数的因果检验 | 第53-55页 |
| 4.3 城市公路物流指数预测模型 | 第55-60页 |
| 4.3.1 RBF神经网络预测模型 | 第55-57页 |
| 4.3.2 LS-SVM预测模型 | 第57-59页 |
| 4.3.3 PCA－LS-SVM组合预测模型 | 第59-60页 |
| 4.4 预测算法结果的对比与分析 | 第60-62页 |
| 4.5 本章小结 | 第62-63页 |
| 第5章 总结与展望 | 第63-65页 |
| 5.1 全文总结 | 第63-64页 |
| 5.2 展望 | 第64-65页 |
| 致谢 | 第65-66页 |
| 参考文献 | 第66-68页 |
