| 摘要 | 第3-4页 |
| Abstract | 第4页 |
| 第一章 绪论 | 第7-12页 |
| 1.1 研究背景及意义 | 第7页 |
| 1.2 研究现状 | 第7-11页 |
| 1.3 本文的主要工作 | 第11-12页 |
| 第二章 相关理论与技术 | 第12-20页 |
| 2.1 Hadoop分布式并行处理技术 | 第12-14页 |
| 2.2 公交客流数据采集技术 | 第14-15页 |
| 2.3 BP神经网络模型 | 第15-20页 |
| 第三章 公交客流数据分析 | 第20-31页 |
| 3.1 基于IC卡和GPS数据的乘客上车站点分析 | 第20-24页 |
| 3.1.1 GPS数据与线路站点匹配 | 第21-24页 |
| 3.1.2 GPS数据到站时间与IC卡刷卡时间匹配 | 第24页 |
| 3.2 基于出行链的乘客下车地点分析 | 第24-27页 |
| 3.2.1 乘客出行特征假设 | 第24-25页 |
| 3.2.2 下车站点的分类和推导 | 第25-27页 |
| 3.3 公交客流影响因素分析 | 第27-31页 |
| 3.3.1 客流周期性 | 第27-29页 |
| 3.3.2 节假日因素 | 第29页 |
| 3.3.3 天气因素 | 第29-31页 |
| 第四章 基于MapReduce的BP神经网络客流预测算法 | 第31-40页 |
| 4.1 网络输入层的选择 | 第31-32页 |
| 4.2 网络输出层的选择 | 第32页 |
| 4.3 隐含层节点的确定 | 第32-33页 |
| 4.4 权值初始化及更新 | 第33-34页 |
| 4.5 BP神经网络并行化策略 | 第34-35页 |
| 4.5.1 结构并行 | 第34-35页 |
| 4.5.2 数据并行 | 第35页 |
| 4.6 基于MapReduce的BP神经网络并行实现 | 第35-40页 |
| 4.6.1 Map函数 | 第36-37页 |
| 4.6.2 Reduce函数 | 第37-39页 |
| 4.6.3 驱动函数 | 第39-40页 |
| 第五章 实验与分析 | 第40-45页 |
| 5.1 Hadoop实验环境 | 第40页 |
| 5.2 数据预处理 | 第40-44页 |
| 5.2.1 数据描述 | 第40-43页 |
| 5.2.2 数据缺失值处理 | 第43页 |
| 5.2.3 重复数据处理 | 第43页 |
| 5.2.4 异常数据处理 | 第43-44页 |
| 5.3 实验结果与分析 | 第44-45页 |
| 第六章 总结与展望 | 第45-46页 |
| 6.1 本文工作总结 | 第45页 |
| 6.2 未来展望 | 第45-46页 |
| 参考文献 | 第46-48页 |
| 致谢 | 第48页 |
