| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第10-14页 |
| 1.1 课题研究背景及意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-12页 |
| 1.2.1 数据挖掘技术的研究现状 | 第11页 |
| 1.2.2 数据挖掘并行化的研究现状 | 第11-12页 |
| 1.3 课题研究的主要内容 | 第12-13页 |
| 1.4 本文的组织结构 | 第13-14页 |
| 第2章 智能电网中数据处理关键技术分析 | 第14-19页 |
| 2.1 HDFS结构 | 第14-15页 |
| 2.2 MapReduce并行编程模型 | 第15-16页 |
| 2.3 数据挖掘技术 | 第16-18页 |
| 2.3.1 关联规则分析 | 第16-17页 |
| 2.3.2 决策树 | 第17页 |
| 2.3.3 贝叶斯网络 | 第17页 |
| 2.3.4 粗糙集方法 | 第17页 |
| 2.3.5 神经网络 | 第17-18页 |
| 2.3.6 统计分析 | 第18页 |
| 2.3.7 数据挖掘的主要技术方法对比 | 第18页 |
| 2.4 本章小结 | 第18-19页 |
| 第3章 基于MapReduce的数据挖掘算法研究 | 第19-30页 |
| 3.1 K-Means聚类算法 | 第19-20页 |
| 3.2 基于MapReduce的K-Means算法实现 | 第20-22页 |
| 3.2.1 K-Means算法并行化原理 | 第20页 |
| 3.2.2 并行K-Means算法设计 | 第20-22页 |
| 3.3 关联规则挖掘算法 | 第22-26页 |
| 3.3.1 关联规则挖掘的经典算法-Apriori | 第22-24页 |
| 3.3.2 FP-Growth算法 | 第24-26页 |
| 3.4 基于MapReduce的FP-Growth算法实现 | 第26-29页 |
| 3.4.1 FP-Growth算法并行化原理 | 第26-27页 |
| 3.4.2 并行FP-Growth算法设计 | 第27-29页 |
| 3.5 本章小结 | 第29-30页 |
| 第4章 FP-Growth算法改进及在电力营销大数据中的应用 | 第30-38页 |
| 4.1 FP-Growth算法改进方案 | 第30-35页 |
| 4.1.1 FP-Growth算法的瓶颈 | 第30页 |
| 4.1.2 改进的FP-Growth算法设计 | 第30-34页 |
| 4.1.3 算法验证及效果分析 | 第34-35页 |
| 4.2 改进的FP-Growth算法在电力营销大数据处理中的实现流程 | 第35-37页 |
| 4.2.1 电力营销数据预处理流程 | 第36页 |
| 4.2.2 电力营销数据关联规则挖掘流程 | 第36-37页 |
| 4.3 本章小结 | 第37-38页 |
| 第5章 电力营销大数据原型系统设计与实现 | 第38-53页 |
| 5.1 实验平台搭建 | 第38-43页 |
| 5.1.1 系统运行环境 | 第38页 |
| 5.1.2 Hadoop平台的搭建 | 第38-43页 |
| 5.2 系统体系结构设计 | 第43-46页 |
| 5.2.1 客户端的详细设计 | 第43-44页 |
| 5.2.2 客户端与服务器间通信的详细设计 | 第44-46页 |
| 5.2.3 服务器端的详细设计 | 第46页 |
| 5.3 系统功能模块设计 | 第46-47页 |
| 5.4 系统运行情况 | 第47-48页 |
| 5.5 系统性能测试 | 第48-49页 |
| 5.6 关联规则挖掘系统的实现 | 第49-52页 |
| 5.6.1 数据来源 | 第49页 |
| 5.6.2 数据离散化处理 | 第49-50页 |
| 5.6.3 数据概化处理 | 第50-51页 |
| 5.6.4 关联规则挖掘 | 第51-52页 |
| 5.7 结果分析 | 第52页 |
| 5.8 本章小结 | 第52-53页 |
| 第6章 结论与展望 | 第53-55页 |
| 6.1 结论 | 第53-54页 |
| 6.2 展望 | 第54-55页 |
| 参考文献 | 第55-58页 |
| 攻读硕士学位期间发表的论文及其他研究成果 | 第58-59页 |
| 致谢 | 第59页 |
