| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 1 绪论 | 第8-16页 |
| 1.1 大数据背景下负荷预测的研究背景和意义 | 第8-10页 |
| 1.2 国内外研究现状和前景 | 第10-13页 |
| 1.3 论文结构和主要工作 | 第13-16页 |
| 2 Hadoop与SVM | 第16-32页 |
| 2.1 Hadoop相关技术 | 第16-23页 |
| 2.1.1 Hadoop分布式平台 | 第16-18页 |
| 2.1.2 HDFS分布式文件系统 | 第18-20页 |
| 2.1.3 MapReduce编程框架 | 第20-22页 |
| 2.1.4 MapReduce的优势 | 第22-23页 |
| 2.2 SVM相关理论 | 第23-30页 |
| 2.2.1 机器学习简介 | 第23-24页 |
| 2.2.2 支持向量分类机与支持向量回归机 | 第24-28页 |
| 2.2.3 Libsvm简介 | 第28-30页 |
| 2.2.4 SVM处理大规模数据的局限性 | 第30页 |
| 2.3 本章小结 | 第30-32页 |
| 3 样本特征提取和数据预处理 | 第32-46页 |
| 3.1 样本特征提取 | 第32-38页 |
| 3.1.1 负荷特性的分析 | 第32-36页 |
| 3.1.2 训练样本和测试样本的选择 | 第36-37页 |
| 3.1.3 负荷预测的基本步骤 | 第37-38页 |
| 3.2 数据预处理 | 第38-44页 |
| 3.2.1 异常数据修正和输入格式规范 | 第38-40页 |
| 3.2.2 数据的归一化处理 | 第40-44页 |
| 3.3 本章小结 | 第44-46页 |
| 4 基于Hadoop的分布式SVR实现 | 第46-54页 |
| 4.1 单机SVR与分布式SVR | 第46-48页 |
| 4.2 Hadoop平台的分布式SVR回归算法的实现 | 第48-50页 |
| 4.3 UD-SVR参数寻优 | 第50-52页 |
| 4.4 本章小结 | 第52-54页 |
| 5 实验设计与结果分析 | 第54-62页 |
| 5.1 实验环境搭建 | 第54-56页 |
| 5.1.1 硬件描述 | 第54页 |
| 5.1.2 软件描述 | 第54页 |
| 5.1.3 Hadoop平台搭建 | 第54-56页 |
| 5.2 实验设计 | 第56-60页 |
| 5.3 本章小结 | 第60-62页 |
| 6 结论与展望 | 第62-64页 |
| 6.1 总结 | 第62页 |
| 6.2 展望 | 第62-64页 |
| 致谢 | 第64-66页 |
| 参考文献 | 第66-68页 |