| 摘要 | 第9-11页 |
| Abstract | 第11-12页 |
| 缩略语说明 | 第17-19页 |
| 第1章 绪论 | 第19-31页 |
| 1.1 论文的背景和研究意义 | 第19-21页 |
| 1.2 国内外研究现状 | 第21-26页 |
| 1.2.1 交通流短时预测研究现状 | 第21-25页 |
| 1.2.2 基于大数据的交通流预测现状 | 第25-26页 |
| 1.2.3 研究现状中存在的问题 | 第26页 |
| 1.3 大数据背景下城市交通流短时预测研究的难点 | 第26-27页 |
| 1.4 研究内容及思路 | 第27-29页 |
| 1.5 论文结构安排 | 第29-31页 |
| 第2章 交通流预测大数据平台研究 | 第31-46页 |
| 2.1 引言 | 第31页 |
| 2.2 交通大数据对交通流预测的影响 | 第31-33页 |
| 2.2.1 交通大数据对交通流预测的作用 | 第31-32页 |
| 2.2.3 交通大数据平台的重要性 | 第32-33页 |
| 2.3 大数据分析的关键技术研究 | 第33-37页 |
| 2.3.1 Hadoop大数据平台 | 第33-35页 |
| 2.3.2 Spark实时计算平台 | 第35-37页 |
| 2.4 交通流预测大数据平台构建 | 第37-45页 |
| 2.4.1 基于大数据的交通流预测整体架构 | 第37-42页 |
| 2.4.2 交通流预测大数据平台构建关键环节 | 第42-45页 |
| 2.5 本章小结 | 第45-46页 |
| 第3章 Hadoop平台计算模式的优化研究 | 第46-70页 |
| 3.1 引言 | 第46页 |
| 3.2 Hadoop/MapReduce计算架构优化 | 第46-53页 |
| 3.2.1 Java共享内存多线程编程研究 | 第46-49页 |
| 3.2.2 MapReduce+JOMP计算模式的建立 | 第49-51页 |
| 3.2.3 MapReduce+Fork/Join计算模式的建立 | 第51-53页 |
| 3.3 优化平台的性能分析 | 第53-59页 |
| 3.3.1 JOMP性能检验 | 第54-55页 |
| 3.3.2 MapReduce+JOMP性能检验 | 第55-57页 |
| 3.3.3 MapReduce+Fork/Join性能检验 | 第57-58页 |
| 3.3.4 实验结论 | 第58-59页 |
| 3.4 基于MapReduce+Fork/Join的交通数据预处理 | 第59-69页 |
| 3.4.1 实验数据分析 | 第60-62页 |
| 3.4.2 预处理方法研究及预处理结果 | 第62-69页 |
| 3.5 本章小结 | 第69-70页 |
| 第4章 城市交通流时空演变特性定量研究 | 第70-88页 |
| 4.1 引言 | 第70页 |
| 4.2 交通流特征分析 | 第70-73页 |
| 4.2.1 交通流参数的含义 | 第70-72页 |
| 4.2.2 交通流的基本特征 | 第72-73页 |
| 4.3 交通流的时变特性研究 | 第73-83页 |
| 4.3.1 基于谱分析的交通流周期分析 | 第73-75页 |
| 4.3.2 基于累积离差的交通流趋势分析 | 第75-77页 |
| 4.3.3 交通流的统计波动特性研究 | 第77-79页 |
| 4.3.4 联合多源数据的交通状态转移特性研究 | 第79-80页 |
| 4.3.5 交通流时间自相关特性研究 | 第80-83页 |
| 4.4 交通流空间互相关特性研究 | 第83-87页 |
| 4.4.1 空间互相关性分析 | 第83-85页 |
| 4.4.2 空间时滞效应研究 | 第85-87页 |
| 4.5 本章小结 | 第87-88页 |
| 第5章 基于时间序列多重分形特征的交通流组合预测 | 第88-109页 |
| 5.1 引言 | 第88页 |
| 5.2 相关理论 | 第88-95页 |
| 5.2.1 多重分形理论 | 第88-91页 |
| 5.2.2 线性时间序列建模 | 第91-94页 |
| 5.2.3 非线性时间序列建模 | 第94-95页 |
| 5.3 多重分形特征的交通流组合预测建模 | 第95-103页 |
| 5.3.1 相关研究 | 第95-96页 |
| 5.3.2 组合预测模型 | 第96-97页 |
| 5.3.3 实验数据 | 第97-98页 |
| 5.3.4 建模流程 | 第98-103页 |
| 5.4 模型预测结果及性能分析 | 第103-107页 |
| 5.4.1 预测结果 | 第104页 |
| 5.4.2 性能分析 | 第104-107页 |
| 5.4.3 结论 | 第107页 |
| 5.5 本章小结 | 第107-109页 |
| 第6章 基于小波分析的多元时间序列交通流组合预测 | 第109-125页 |
| 6.1 引言 | 第109页 |
| 6.2 相关理论 | 第109-115页 |
| 6.2.1 多元时间序列建模 | 第109-112页 |
| 6.2.2 多元时间序列的协整分析 | 第112-113页 |
| 6.2.3 小波分析 | 第113-115页 |
| 6.3 基于小波分析的多元时间序列预测建模 | 第115-121页 |
| 6.3.1 相关研究 | 第115-116页 |
| 6.3.2 组合预测模型 | 第116-117页 |
| 6.3.3 实验数据 | 第117页 |
| 6.3.4 建模流程 | 第117-121页 |
| 6.4 模型预测结果及性能评价 | 第121-124页 |
| 6.4.1 预测结果 | 第121-122页 |
| 6.4.2 性能评价 | 第122-124页 |
| 6.4.3 结论 | 第124页 |
| 6.5 本章小结 | 第124-125页 |
| 第7章 总结与展望 | 第125-128页 |
| 7.1 论文工作总结 | 第125-126页 |
| 7.2 论文创新点 | 第126-127页 |
| 7.3 研究工作展望 | 第127-128页 |
| 参考文献 | 第128-138页 |
| 致谢 | 第138-139页 |
| 附录A 攻读学位期间发表的学术论文 | 第139-140页 |
| 附录B 攻读学位期间主持/参与的科研项目 | 第140页 |
