| 中文摘要 | 第5-6页 |
| Abstract | 第6页 |
| 目录 | 第7-9页 |
| 图目录 | 第9-10页 |
| 表目录 | 第10-11页 |
| 1. 绪论 | 第11-19页 |
| 1.1 研究背景 | 第11-13页 |
| 1.1.1 世界已进入大数据时代 | 第11-12页 |
| 1.1.2 大数据为城市空间结构研究提供了新的渠道 | 第12-13页 |
| 1.2 研究目的 | 第13-14页 |
| 1.3 研究内容 | 第14页 |
| 1.4 研究意义 | 第14-16页 |
| 1.5 研究技术路线 | 第16-17页 |
| 1.6 文章结构安排 | 第17-19页 |
| 2. 相关理论基础及研究综述 | 第19-31页 |
| 2.1 城市空间结构的相关研究 | 第19-20页 |
| 2.2 LBS(Location Based Service)技术 | 第20-22页 |
| 2.2.1 LBS技术的定义 | 第20-21页 |
| 2.2.2 LBS技术在城市研究中应用的综述 | 第21-22页 |
| 2.3 数据挖掘 | 第22-26页 |
| 2.3.1 数据挖掘的定义 | 第23页 |
| 2.3.2 数据挖掘的特点 | 第23页 |
| 2.3.3 数据挖掘的主要任务 | 第23-24页 |
| 2.3.4 数据挖掘的处理过程和系统结构 | 第24-25页 |
| 2.3.5 数据挖掘技术在城市空间结构研究中的综述 | 第25-26页 |
| 2.4 多维时间序列数据的数据挖掘 | 第26-28页 |
| 2.4.1 多维时间序列的定义 | 第26-27页 |
| 2.4.2 多维时间序列数据挖掘的主要研究内容 | 第27页 |
| 2.4.3 多维时间序列数据挖掘的相关研究综述 | 第27-28页 |
| 2.5 城市功能区 | 第28-29页 |
| 2.6 评述及本研究的切入点 | 第29-31页 |
| 3. 研究区域概况、数据及分析平台 | 第31-39页 |
| 3.1 研究区域概况 | 第31页 |
| 3.2 数据 | 第31-37页 |
| 3.2.1 公交线路、公交站台及交通分析小区 | 第32-33页 |
| 3.2.2 公交IC卡刷卡数据 | 第33-35页 |
| 3.2.3 兴趣点(POIs)数据 | 第35-37页 |
| 3.3 分析平台 | 第37-39页 |
| 3.3.1 硬件平台 | 第37页 |
| 3.3.2 软件平台 | 第37页 |
| 3.3.3 Weka平台简介 | 第37-39页 |
| 4. 研究方法 | 第39-53页 |
| 4.1 公交站台的盲聚类 | 第39-49页 |
| 4.1.1 PF(Platform flows)数据模型 | 第39页 |
| 4.1.2 聚类分析 | 第39-49页 |
| 4.1.2.1 聚类的定义 | 第39-40页 |
| 4.1.2.2 数据的预处理 | 第40-44页 |
| 4.1.2.3 相似性度量 | 第44-46页 |
| 4.1.2.4 聚类算法 | 第46-49页 |
| 4.2 城市功能区的识别 | 第49-53页 |
| 4.2.1 兴趣点(POIs)数据模型 | 第49-50页 |
| 4.2.1.1 FD(Frequency Density)向量 | 第49页 |
| 4.2.1.2 CR(Category Ratio)向量 | 第49-50页 |
| 4.2.2 城市居民出行行为特征 | 第50-51页 |
| 4.2.3 城市功能区的识别方法 | 第51-53页 |
| 5. 研究过程与结果 | 第53-72页 |
| 5.1 公交站台的盲聚类 | 第53-60页 |
| 5.1.1 公交刷卡数据的采集处理 | 第53-55页 |
| 5.1.2 聚类数据预处理 | 第55-58页 |
| 5.1.3 特征构建 | 第58页 |
| 5.1.4 聚类数据输入格式(arf文件格式) | 第58-59页 |
| 5.1.5 公交站台聚类结果 | 第59-60页 |
| 5.2 功能识别 | 第60-68页 |
| 5.2.1 公交服务区POIs数据的采集 | 第60-63页 |
| 5.2.1.1 公交站台与POIs数据坐标统一 | 第61页 |
| 5.2.1.2 公交站台服务区建立 | 第61-62页 |
| 5.2.1.3 空间叠加分析 | 第62页 |
| 5.2.1.4 POIs数据中Category属性修改 | 第62页 |
| 5.2.1.5 计算各公交站台服务区内的POIs数据点分布 | 第62-63页 |
| 5.2.1.6 数据标准化处理 | 第63页 |
| 5.2.2 兴趣点(POIs)数据模型的建立 | 第63-64页 |
| 5.2.3 居民出行时间流量特征 | 第64-65页 |
| 5.2.4 识别结果 | 第65-67页 |
| 5.2.5 识别结果在TAZ尺度的汇总 | 第67-68页 |
| 5.3 研究结果的检验 | 第68-72页 |
| 6. 讨论 | 第72-75页 |
| 6.1 数据的代表性 | 第72页 |
| 6.2 数据的处理 | 第72-73页 |
| 6.3 聚类算法的选择 | 第73-74页 |
| 6.4 识别结果 | 第74-75页 |
| 7. 分析及对策建议 | 第75-78页 |
| 8. 结论 | 第78-80页 |
| 参考文献 | 第80-89页 |
| 附录1：公交站台聚类结果 | 第89-96页 |
| 附录2：POIs数据详细分类图 | 第96-99页 |
| 致谢 | 第99-100页 |
| 作者简介 | 第100页 |
