| 摘要 | 第4-5页 |
| abstract | 第5页 |
| 第一章 绪论 | 第8-15页 |
| 1.1 研究背景及意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-12页 |
| 1.2.1 路网交通运行状态判别研究现状 | 第9-11页 |
| 1.2.2 大数据平台下交通问题研究现状 | 第11-12页 |
| 1.2.3 研究现状总结 | 第12页 |
| 1.3 主要研究内容及结构安排 | 第12-15页 |
| 第二章 大数据机器学习平台 | 第15-26页 |
| 2.1 大数据处理及机器学习 | 第15-18页 |
| 2.1.1 大数据处理技术 | 第15-16页 |
| 2.1.2 并行机器学习 | 第16-18页 |
| 2.2 Spark机器学习平台数据存储层 | 第18-21页 |
| 2.2.1 HDFS体系架构 | 第18-19页 |
| 2.2.2 HDFS读写数据原理 | 第19-21页 |
| 2.3 Spark机器学习平台数据处理层 | 第21-24页 |
| 2.3.1 RDD及编程操作 | 第21-23页 |
| 2.3.2 Spark数据处理作业流程 | 第23-24页 |
| 2.4 Spark机器学习平台数据应用层 | 第24-25页 |
| 2.5 本章小结 | 第25-26页 |
| 第三章 路网交通运行状态判别模型设计 | 第26-43页 |
| 3.1 高速公路路网结构分析 | 第26-27页 |
| 3.2 交通流运行参数及状态分析 | 第27-32页 |
| 3.2.1 交通流运行参数 | 第27-28页 |
| 3.2.2 交通运行状态含义及划分 | 第28-30页 |
| 3.2.3 路网交通运行状态信息需求 | 第30-32页 |
| 3.3 路网交通流运行数据聚类分析 | 第32-35页 |
| 3.3.1 聚类分析算法 | 第32-34页 |
| 3.3.2 基于k-means的交通流运行数据聚类 | 第34-35页 |
| 3.4 路网交通运行状态分类决策 | 第35-40页 |
| 3.4.1 决策树与随机森林 | 第35-38页 |
| 3.4.2 基于随机森林的交通运行状态分类决策 | 第38-39页 |
| 3.4.3 路网交通运行状态分类决策模型评价 | 第39-40页 |
| 3.5 路网交通运行状态判别 | 第40-42页 |
| 3.6 本章小结 | 第42-43页 |
| 第四章 路网交通运行状态判别并行化研究与实现 | 第43-67页 |
| 4.1 路网现状及实验数据 | 第43-45页 |
| 4.2 Spark大数据机器学习平台搭建 | 第45-47页 |
| 4.2.1 实验平台 | 第45-46页 |
| 4.2.2 平台搭建 | 第46-47页 |
| 4.3 路网交通运行状态判别并行化 | 第47-53页 |
| 4.3.1 并行化判别策略 | 第47-49页 |
| 4.3.2 并行化判别分析 | 第49-51页 |
| 4.3.3 并行化判别实现 | 第51-53页 |
| 4.4 实验结果分析 | 第53-66页 |
| 4.4.1 聚类可靠性分析 | 第54-56页 |
| 4.4.2 决策准确性分析 | 第56-61页 |
| 4.4.3 平台性能分析 | 第61-63页 |
| 4.4.4 判别结果应用分析 | 第63-66页 |
| 4.5 本章小结 | 第66-67页 |
| 总结与展望 | 第67-69页 |
| 本文工作总结 | 第67-68页 |
| 后续工作展望 | 第68-69页 |
| 参考文献 | 第69-74页 |
| 攻读学位期间取得的研究成果 | 第74-75页 |
| 致谢 | 第75页 |