隨著我國(guó)城市化進(jìn)程的推進(jìn)以及土地市場(chǎng)化程度的日益提高,土地成交價(jià)格在當(dāng)今城市經(jīng)濟(jì)活動(dòng)中的作用越來(lái)越顯著,不僅是地產(chǎn)、金融等相關(guān)從業(yè)人士及政府工作人員,包括廣大人民群眾都對(duì)城市地價(jià)表現(xiàn)出高度的關(guān)心。合理的城市地價(jià)制定一方面能高效控制城市規(guī)模、合理優(yōu)化城市產(chǎn)業(yè)結(jié)構(gòu)、積極拓展招商引資、科學(xué)指導(dǎo)房地產(chǎn)金融相關(guān)政策制定,同時(shí)能合理促進(jìn)城市化發(fā)展提高城市核心競(jìng)爭(zhēng)力。同時(shí)隨著各類攝影測(cè)量工具精度的提高,以及計(jì)算機(jī)、網(wǎng)絡(luò)技術(shù)發(fā)展,相關(guān)數(shù)據(jù)在分辨率提升的同時(shí)體量也在不斷增大。面對(duì)海量的柵格地圖數(shù)據(jù)或者空間信息數(shù)據(jù),普通個(gè)人電腦在進(jìn)行空間數(shù)據(jù)計(jì)算分析時(shí)逐漸顯現(xiàn)出性能瓶頸,需要一套高效、穩(wěn)定的“云端化”方案來(lái)提升空間數(shù)據(jù)處理能力,降低使用成本。然而目前業(yè)內(nèi)在云計(jì)算方面發(fā)展尚屬起步階段,還沒有一款設(shè)計(jì)合理、功能全面的web應(yīng)用,本研究嘗試使用Hadoop來(lái)解決空間數(shù)據(jù)計(jì)算、獲取、分析等多方面實(shí)際問(wèn)題,旨在推動(dòng)空間數(shù)據(jù)“云端化”進(jìn)程,這也是本文核心創(chuàng)新點(diǎn)所在。Hadoop是Apache旗下的開源分布式計(jì)算架構(gòu),其組成核心是一個(gè)分布式文件存儲(chǔ)系統(tǒng)HDFS（Hadoop Distributed File Syste... 

【文章來(lái)源】：電子科技大學(xué)四川省 211工程院校 985工程院校 教育部直屬院校

【文章頁(yè)數(shù)】：100 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
abstract
第一章 緒論
    1.1 研究背景
        1.1.1 土地價(jià)格研究背景
        1.1.2 地理信息大數(shù)據(jù)研究背景
        1.1.3 分布式計(jì)算框架發(fā)展背景
    1.2 研究意義
    1.3 研究方法與技術(shù)路線
        1.3.1 研究方法
        1.3.2 技術(shù)路線
        1.3.3 實(shí)驗(yàn)集群環(huán)境
    1.4 論文結(jié)構(gòu)與創(chuàng)新點(diǎn)
        1.4.1 論文結(jié)構(gòu)
        1.4.2 論文創(chuàng)新點(diǎn)
第二章 相關(guān)技術(shù)介紹
    2.1 Hadoop框架
        2.1.1 Hadoop的發(fā)展歷史
        2.1.2 Hadoop框架構(gòu)成
        2.1.3 MapReduce工作機(jī)制
    2.2 JSoup框架
    2.3 機(jī)器學(xué)習(xí)分類算法介紹
        2.3.1 樸素貝葉斯分類
        2.3.2 k-近鄰
        2.3.3 隨機(jī)森林與決策樹
        2.3.4 神經(jīng)網(wǎng)絡(luò)
        2.3.5 支持向量機(jī)
    2.4 機(jī)器學(xué)習(xí)分類算法的分布式實(shí)現(xiàn)策略
        2.4.1 隨機(jī)森林的分布式實(shí)現(xiàn)策略
        2.4.2 BP神經(jīng)網(wǎng)絡(luò)的分布式實(shí)現(xiàn)策略
第三章 空間數(shù)據(jù)并行計(jì)算研究
    3.1 本章研究?jī)?nèi)容
    3.2 國(guó)內(nèi)外研究進(jìn)展
        3.2.1 國(guó)外研究進(jìn)展
        3.2.2 國(guó)內(nèi)研究進(jìn)展
    3.3 基于MapReduce的空間數(shù)據(jù)并行算法實(shí)現(xiàn)
        3.3.1 坡度類
        3.3.2 歐氏距離類
        3.3.3 核密度類
第四章 地價(jià)相關(guān)數(shù)據(jù)獲取及預(yù)處理
    4.1 本章研究?jī)?nèi)容
    4.2 國(guó)內(nèi)外研究進(jìn)展
        4.2.1 國(guó)外研究進(jìn)展
        4.2.2 國(guó)內(nèi)研究進(jìn)展
    4.3 土地交易數(shù)據(jù)獲取及爬蟲優(yōu)化
        4.3.1 數(shù)據(jù)來(lái)源
        4.3.2 實(shí)現(xiàn)思路
        4.3.3 結(jié)合MapReduce優(yōu)化爬蟲
    4.4 地價(jià)影響因素?cái)?shù)據(jù)選取及預(yù)處理
        4.4.1 數(shù)據(jù)選取
        4.4.2 數(shù)據(jù)預(yù)處理
第五章 地價(jià)時(shí)間維度演變分析與數(shù)據(jù)集生成
    5.1 本章研究?jī)?nèi)容
    5.2 國(guó)內(nèi)外研究進(jìn)展
        5.2.1 國(guó)外研究進(jìn)展
        5.2.2 國(guó)內(nèi)研究進(jìn)展
    5.3 成都市地價(jià)時(shí)間維度演變分析
        5.3.1 地價(jià)波動(dòng)背景分析
        5.3.2 地價(jià)數(shù)據(jù)分析
    5.4 地價(jià)修正與地價(jià)數(shù)據(jù)集構(gòu)建
        5.4.1 地價(jià)指數(shù)編制與地價(jià)修正
        5.4.2 數(shù)據(jù)集構(gòu)建
第六章 基于MapReduce地價(jià)分類模型研究
    6.1 本章研究?jī)?nèi)容
    6.2 地價(jià)分類實(shí)現(xiàn)
        6.2.1 隨機(jī)森林對(duì)工業(yè)用地地價(jià)分類
        6.2.2 隨機(jī)森林對(duì)住宅用地地價(jià)分類
        6.2.3 BP神經(jīng)網(wǎng)絡(luò)對(duì)工業(yè)用地地價(jià)分類
        6.2.4 BP神經(jīng)網(wǎng)絡(luò)對(duì)住宅用地地價(jià)分類
        6.2.5 工業(yè)用地地價(jià)分類對(duì)比
        6.2.6 住宅用地地價(jià)分類對(duì)比
    6.3 宏觀因素對(duì)住宅用地地價(jià)分類影響探究
        6.3.1 宏觀因素選取
        6.3.2 隨機(jī)森林分類
    6.4 結(jié)合FP-Growth關(guān)聯(lián)分析的住宅用地地價(jià)分類
        6.4.1 FP-Growth算法簡(jiǎn)介
        6.4.2 住宅用地地價(jià)關(guān)聯(lián)度分析
        6.4.3 隨機(jī)森林分類
第七章 總結(jié)與展望
    7.1 論文總結(jié)
    7.2 論文展望
致謝
參考文獻(xiàn)
攻讀學(xué)位期間取得學(xué)術(shù)成果



本文編號(hào)：3447440