基于MapReduce地价分类模型探究实现
发布时间：2021-10-20 19:06
随着我国城市化进程的推进以及土地市场化程度的日益提高,土地成交价格在当今城市经济活动中的作用越来越显著,不仅是地产、金融等相关从业人士及政府工作人员,包括广大人民群众都对城市地价表现出高度的关心。合理的城市地价制定一方面能高效控制城市规模、合理优化城市产业结构、积极拓展招商引资、科学指导房地产金融相关政策制定,同时能合理促进城市化发展提高城市核心竞争力。同时随着各类摄影测量工具精度的提高,以及计算机、网络技术发展,相关数据在分辨率提升的同时体量也在不断增大。面对海量的栅格地图数据或者空间信息数据,普通个人电脑在进行空间数据计算分析时逐渐显现出性能瓶颈,需要一套高效、稳定的“云端化”方案来提升空间数据处理能力,降低使用成本。然而目前业内在云计算方面发展尚属起步阶段,还没有一款设计合理、功能全面的web应用,本研究尝试使用Hadoop来解决空间数据计算、获取、分析等多方面实际问题,旨在推动空间数据“云端化”进程,这也是本文核心创新点所在。Hadoop是Apache旗下的开源分布式计算架构,其组成核心是一个分布式文件存储系统HDFS（Hadoop Distributed File Syste...
【文章来源】：电子科技大学四川省 211工程院校 985工程院校 教育部直属院校
【文章页数】：100 页
【学位级别】：硕士
【文章目录】：
摘要
abstract
第一章 绪论
1.1 研究背景
1.1.1 土地价格研究背景
1.1.2 地理信息大数据研究背景
1.1.3 分布式计算框架发展背景
1.2 研究意义
1.3 研究方法与技术路线
1.3.1 研究方法
1.3.2 技术路线
1.3.3 实验集群环境
1.4 论文结构与创新点
1.4.1 论文结构
1.4.2 论文创新点
第二章 相关技术介绍
2.1 Hadoop框架
2.1.1 Hadoop的发展历史
2.1.2 Hadoop框架构成
2.1.3 MapReduce工作机制
2.2 JSoup框架
2.3 机器学习分类算法介绍
2.3.1 朴素贝叶斯分类
2.3.2 k-近邻
2.3.3 随机森林与决策树
2.3.4 神经网络
2.3.5 支持向量机
2.4 机器学习分类算法的分布式实现策略
2.4.1 随机森林的分布式实现策略
2.4.2 BP神经网络的分布式实现策略
第三章 空间数据并行计算研究
3.1 本章研究内容
3.2 国内外研究进展
3.2.1 国外研究进展
3.2.2 国内研究进展
3.3 基于MapReduce的空间数据并行算法实现
3.3.1 坡度类
3.3.2 欧氏距离类
3.3.3 核密度类
第四章 地价相关数据获取及预处理
4.1 本章研究内容
4.2 国内外研究进展
4.2.1 国外研究进展
4.2.2 国内研究进展
4.3 土地交易数据获取及爬虫优化
4.3.1 数据来源
4.3.2 实现思路
4.3.3 结合MapReduce优化爬虫
4.4 地价影响因素数据选取及预处理
4.4.1 数据选取
4.4.2 数据预处理
第五章 地价时间维度演变分析与数据集生成
5.1 本章研究内容
5.2 国内外研究进展
5.2.1 国外研究进展
5.2.2 国内研究进展
5.3 成都市地价时间维度演变分析
5.3.1 地价波动背景分析
5.3.2 地价数据分析
5.4 地价修正与地价数据集构建
5.4.1 地价指数编制与地价修正
5.4.2 数据集构建
第六章 基于MapReduce地价分类模型研究
6.1 本章研究内容
6.2 地价分类实现
6.2.1 随机森林对工业用地地价分类
6.2.2 随机森林对住宅用地地价分类
6.2.3 BP神经网络对工业用地地价分类
6.2.4 BP神经网络对住宅用地地价分类
6.2.5 工业用地地价分类对比
6.2.6 住宅用地地价分类对比
6.3 宏观因素对住宅用地地价分类影响探究
6.3.1 宏观因素选取
6.3.2 随机森林分类
6.4 结合FP-Growth关联分析的住宅用地地价分类
6.4.1 FP-Growth算法简介
6.4.2 住宅用地地价关联度分析
6.4.3 随机森林分类
第七章 总结与展望
7.1 论文总结
7.2 论文展望
致谢
参考文献
攻读学位期间取得学术成果
本文编号：3447440
【文章来源】：电子科技大学四川省 211工程院校 985工程院校 教育部直属院校
【文章页数】：100 页
【学位级别】：硕士
【文章目录】：
摘要
abstract
第一章 绪论
1.1 研究背景
1.1.1 土地价格研究背景
1.1.2 地理信息大数据研究背景
1.1.3 分布式计算框架发展背景
1.2 研究意义
1.3 研究方法与技术路线
1.3.1 研究方法
1.3.2 技术路线
1.3.3 实验集群环境
1.4 论文结构与创新点
1.4.1 论文结构
1.4.2 论文创新点
第二章 相关技术介绍
2.1 Hadoop框架
2.1.1 Hadoop的发展历史
2.1.2 Hadoop框架构成
2.1.3 MapReduce工作机制
2.2 JSoup框架
2.3 机器学习分类算法介绍
2.3.1 朴素贝叶斯分类
2.3.2 k-近邻
2.3.3 随机森林与决策树
2.3.4 神经网络
2.3.5 支持向量机
2.4 机器学习分类算法的分布式实现策略
2.4.1 随机森林的分布式实现策略
2.4.2 BP神经网络的分布式实现策略
第三章 空间数据并行计算研究
3.1 本章研究内容
3.2 国内外研究进展
3.2.1 国外研究进展
3.2.2 国内研究进展
3.3 基于MapReduce的空间数据并行算法实现
3.3.1 坡度类
3.3.2 欧氏距离类
3.3.3 核密度类
第四章 地价相关数据获取及预处理
4.1 本章研究内容
4.2 国内外研究进展
4.2.1 国外研究进展
4.2.2 国内研究进展
4.3 土地交易数据获取及爬虫优化
4.3.1 数据来源
4.3.2 实现思路
4.3.3 结合MapReduce优化爬虫
4.4 地价影响因素数据选取及预处理
4.4.1 数据选取
4.4.2 数据预处理
第五章 地价时间维度演变分析与数据集生成
5.1 本章研究内容
5.2 国内外研究进展
5.2.1 国外研究进展
5.2.2 国内研究进展
5.3 成都市地价时间维度演变分析
5.3.1 地价波动背景分析
5.3.2 地价数据分析
5.4 地价修正与地价数据集构建
5.4.1 地价指数编制与地价修正
5.4.2 数据集构建
第六章 基于MapReduce地价分类模型研究
6.1 本章研究内容
6.2 地价分类实现
6.2.1 随机森林对工业用地地价分类
6.2.2 随机森林对住宅用地地价分类
6.2.3 BP神经网络对工业用地地价分类
6.2.4 BP神经网络对住宅用地地价分类
6.2.5 工业用地地价分类对比
6.2.6 住宅用地地价分类对比
6.3 宏观因素对住宅用地地价分类影响探究
6.3.1 宏观因素选取
6.3.2 随机森林分类
6.4 结合FP-Growth关联分析的住宅用地地价分类
6.4.1 FP-Growth算法简介
6.4.2 住宅用地地价关联度分析
6.4.3 随机森林分类
第七章 总结与展望
7.1 论文总结
7.2 论文展望
致谢
参考文献
攻读学位期间取得学术成果
本文编号：3447440
本文链接：https://www.wllwen.com/jingjilunwen/nongyejingjilunwen/3447440.html
