| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 第一章 绪论 | 第9-18页 |
| 1.1 研究的研究背景及意义 | 第9-10页 |
| 1.1.1 研究背景 | 第9-10页 |
| 1.1.2 研究意义 | 第10页 |
| 1.2 国内外研究现状 | 第10-15页 |
| 1.2.1 出租车轨迹数据挖掘研究现状 | 第10-11页 |
| 1.2.2 居民出行行为分析研究现状 | 第11-13页 |
| 1.2.3 热门区域发现研究现状 | 第13-14页 |
| 1.2.4 区域社会功能识别研究现状 | 第14-15页 |
| 1.3 存在的问题与不足 | 第15-16页 |
| 1.4 研究内容 | 第16-17页 |
| 1.5 论文的组织结构 | 第17-18页 |
| 第二章 数据预处理 | 第18-29页 |
| 2.1 数据来源与格式 | 第18-21页 |
| 2.1.1 GPS数据 | 第18-19页 |
| 2.1.2 其他辅助数据 | 第19-21页 |
| 2.2 轨迹数据预处理 | 第21-25页 |
| 2.2.1 轨迹数据二次排序 | 第21-23页 |
| 2.2.2 轨迹数据清洗 | 第23-25页 |
| 2.3 地图匹配 | 第25-28页 |
| 2.4 本章小结 | 第28-29页 |
| 第三章 基于出租车轨迹数据的居民出行行为分析 | 第29-43页 |
| 3.1 出租车轨迹OD信息提取 | 第29-32页 |
| 3.2 出行的时间维度分析 | 第32-37页 |
| 3.2.1 周出行总量分析 | 第32-33页 |
| 3.2.2 工作日/节假日分时段出行次数分析 | 第33-35页 |
| 3.2.3 工作日/节假日分时段出行时长分析 | 第35-37页 |
| 3.3 出行的空间维度分析 | 第37-42页 |
| 3.3.1 出行空间活跃度分析 | 第37-40页 |
| 3.3.2 工作日/节假日分时段行程距离分析 | 第40-42页 |
| 3.4 本章小结 | 第42-43页 |
| 第四章 基于改进的DBSCAN算法的热门区域发现算法 | 第43-55页 |
| 4.1 空间聚类算法概述 | 第43-45页 |
| 4.2 DBSCAN聚类算法 | 第45-47页 |
| 4.3 改进的DBSCAN热门区域发现模型 | 第47-51页 |
| 4.3.1 聚类难点及改进 | 第47-49页 |
| 4.3.2 改进的聚类算法实现 | 第49-51页 |
| 4.4 实验结果与分析 | 第51-54页 |
| 4.4.1 实验设置与结果分析 | 第51-52页 |
| 4.4.2 热门区域可视化 | 第52-54页 |
| 4.5 本章小结 | 第54-55页 |
| 第五章 结合不确定抽样的热门区域社会功能识别算法 | 第55-69页 |
| 5.1 主动学习方法 | 第55-58页 |
| 5.1.1 基于不确定度缩减的算法 | 第56-57页 |
| 5.1.2 基于版本空间缩减的方法 | 第57页 |
| 5.1.3 基于泛化误差缩减的方法 | 第57-58页 |
| 5.2 结合不确定抽样的半监督学习分类算法 | 第58-60页 |
| 5.3 热门区域特征提取 | 第60-62页 |
| 5.4 实验结果分析 | 第62-67页 |
| 5.4.1 实验设置 | 第62-63页 |
| 5.4.2 结果分析 | 第63-67页 |
| 5.5 本章小结 | 第67-69页 |
| 第六章 总结与展望 | 第69-73页 |
| 6.1 总结 | 第69-70页 |
| 6.2 主要不足与未来研究工作 | 第70-73页 |
| 参考文献 | 第73-79页 |
| 攻读硕士学位期间取得的研究成果 | 第79-80页 |
| 致谢 | 第80页 |