| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第10-14页 |
| 1.1 研究背景 | 第10页 |
| 1.2 国内外研究现状 | 第10-11页 |
| 1.3 课题来源和研究意义 | 第11-12页 |
| 1.3.1 课题来源 | 第11页 |
| 1.3.2 研究目的与意义 | 第11-12页 |
| 1.4 本文的组织结构 | 第12-14页 |
| 1.4.1 研究内容 | 第12页 |
| 1.4.2 论文框架 | 第12-14页 |
| 第二章 相关技术和算法原理 | 第14-24页 |
| 2.1 Spark技术生态系统 | 第14-18页 |
| 2.1.1 Spark Core | 第15页 |
| 2.1.2 Spark SQL | 第15-16页 |
| 2.1.3 Spark Streaming | 第16页 |
| 2.1.4 Spark Graph X | 第16-17页 |
| 2.1.5 Spark MLlib | 第17-18页 |
| 2.2 Django框架 | 第18-19页 |
| 2.2.1 Django框架介绍 | 第18-19页 |
| 2.2.2 Django框架中的MVC模式 | 第19页 |
| 2.3 多元线性回归 | 第19-21页 |
| 2.3.1 多元线性回归模型概述 | 第19-20页 |
| 2.3.3 多元线性回归的参数估计 | 第20-21页 |
| 2.4 RBF神经网络 | 第21-23页 |
| 2.4.1 人工神经网络概述 | 第21-22页 |
| 2.4.2 RBF神经网络原理 | 第22-23页 |
| 2.4.3 RBF聚类学习算法 | 第23页 |
| 2.5 本章小结 | 第23-24页 |
| 第三章 天气数据的爬取及量化处理 | 第24-32页 |
| 3.1 网络爬虫的工作原理 | 第24-28页 |
| 3.1.1 爬虫的基本结构 | 第24-26页 |
| 3.1.2 抓取策略 | 第26-28页 |
| 3.2 天气数据的抓取和量化处理 | 第28-30页 |
| 3.2.1 天气数据网络爬虫的设计与实现 | 第28-29页 |
| 3.2.2 天气数据量化和处理 | 第29-30页 |
| 3.3 本章小结 | 第30-32页 |
| 第四章 超市销售与天气关联分析方法与销售预测分析 | 第32-38页 |
| 4.1 数据预处理 | 第32-33页 |
| 4.2 多元线性回归预测模型 | 第33-34页 |
| 4.3 RBF神经网络预测模型 | 第34-35页 |
| 4.4 两种模型的综合对比分析 | 第35-37页 |
| 4.5 本章小结 | 第37-38页 |
| 第五章 关联天气的超市销售预测支持工具的设计与开发 | 第38-56页 |
| 5.1 业务分析 | 第38-41页 |
| 5.1.1 需求分析 | 第38-39页 |
| 5.1.2 系统业务流程 | 第39页 |
| 5.1.3 系统数据模型 | 第39-41页 |
| 5.1.4 可行性分析 | 第41页 |
| 5.2 系统总体设计 | 第41-43页 |
| 5.2.1 系统设计原则 | 第41-42页 |
| 5.2.2 系统分层架构设计 | 第42-43页 |
| 5.3 系统模块设计与开发 | 第43-54页 |
| 5.3.1 用户登录模块 | 第43-44页 |
| 5.3.2 历史销售数据分析模块 | 第44-48页 |
| 5.3.3 未来天气数据分析模块 | 第48-51页 |
| 5.3.4 销售预测模块 | 第51-53页 |
| 5.3.5 后台管理模块 | 第53-54页 |
| 5.4 本章小结 | 第54-56页 |
| 第六章 总结与展望 | 第56-58页 |
| 6.1 工作总结 | 第56页 |
| 6.2 展望 | 第56-58页 |
| 参考文献 | 第58-62页 |
| 攻读学位期间发表的论文与科研成果清单 | 第62-64页 |
| 致谢 | 第64页 |