基于海量移动位置数据的研究与应用
| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第1章 绪论 | 第11-16页 |
| 1.1 研究背景 | 第11页 |
| 1.2 国内外研究现状 | 第11-14页 |
| 1.2.1 位置数据研究现状 | 第12-13页 |
| 1.2.2 大数据行业应用现状 | 第13-14页 |
| 1.3 本文研究内容与意义 | 第14页 |
| 1.3.1 本文研究内容 | 第14页 |
| 1.3.2 本文研究意义 | 第14页 |
| 1.4 本文结构安排 | 第14-16页 |
| 第2章 相关知识介绍 | 第16-27页 |
| 2.1 HADOOP发展历史 | 第16页 |
| 2.2 HADOOP体系架构 | 第16-18页 |
| 2.3 HADOOP分布式文件系统HDFS | 第18-20页 |
| 2.3.1 HDFS实现原理 | 第18-19页 |
| 2.3.2 HDFS特点及优势 | 第19-20页 |
| 2.4 数据清洗 | 第20-22页 |
| 2.4.1 数据清洗介绍 | 第20-21页 |
| 2.4.2 数据清洗实现 | 第21-22页 |
| 2.5 KAFKA消息中间件 | 第22-23页 |
| 2.6 JSTORM流式处理框架 | 第23-26页 |
| 2.6.1 Storm框架的诞生 | 第23-24页 |
| 2.6.2 Storm框架的认识 | 第24页 |
| 2.6.3 JStorm流式处理框架的优点 | 第24-26页 |
| 2.7 本章小结 | 第26-27页 |
| 第3章 基于海量位置数据的算法以及模型 | 第27-37页 |
| 3.1 引言 | 第27页 |
| 3.2 人流时间序列预测算法 | 第27-32页 |
| 3.2.1 时间序列算法概述 | 第27-32页 |
| 3.3 人流预测算法设计 | 第32-35页 |
| 3.3.1 数据源以及预处理 | 第32页 |
| 3.3.2 人流预测算法模型介绍 | 第32-34页 |
| 3.3.3 人流预测算法模型技术实现 | 第34-35页 |
| 3.4 途经/出行人口统计模型 | 第35-36页 |
| 3.4.1 途经模型设计 | 第35页 |
| 3.4.2 出行模型设计 | 第35-36页 |
| 3.5 本章小结 | 第36-37页 |
| 第4章 总体设计及各功能模块实现 | 第37-67页 |
| 4.1 总体设计 | 第37-38页 |
| 4.2 数据采集 | 第38-42页 |
| 4.2.1 总体架构 | 第38-39页 |
| 4.2.2 数据采集流程 | 第39-40页 |
| 4.2.3 数据采集功能描述 | 第40-41页 |
| 4.2.4 数据采集技术实现 | 第41-42页 |
| 4.3 实时处理 | 第42-46页 |
| 4.3.1 总体架构 | 第42页 |
| 4.3.2 Redis数据库设计 | 第42-44页 |
| 4.3.3 HBase数据库设计 | 第44-45页 |
| 4.3.4 数据处理 | 第45-46页 |
| 4.4 定时任务 | 第46-52页 |
| 4.4.1 总体结构 | 第46-47页 |
| 4.4.2 技术实现 | 第47-52页 |
| 4.5 接口对接处理 | 第52-55页 |
| 4.5.1 与实时数据采集系统接口 | 第52-53页 |
| 4.5.2 配置管理接口 | 第53-54页 |
| 4.5.3 入库消息类型定义 | 第54-55页 |
| 4.6 结果展示 | 第55-66页 |
| 4.6.1 终端分布结果展示 | 第55-58页 |
| 4.6.2 性别统计结果展示 | 第58-59页 |
| 4.6.3 年龄段统计结果展示 | 第59-60页 |
| 4.6.4 出行人口统计结果展示 | 第60-63页 |
| 4.6.5 途径人口统计结果展示 | 第63-65页 |
| 4.6.6 流动人口实时分析统计结果展示 | 第65-66页 |
| 4.7 本章总结 | 第66-67页 |
| 第5章 总结与展望 | 第67-69页 |
| 5.1 总结 | 第67页 |
| 5.2 展望 | 第67-69页 |
| 参考文献 | 第69-71页 |
| 致谢 | 第71页 |
