| 摘要 | 第4-6页 |
| abstract | 第6-7页 |
| 第一章 绪论 | 第11-17页 |
| 1.1 研究背景与意义 | 第11-12页 |
| 1.2 主要研究内容 | 第12-14页 |
| 1.3 论文主要贡献 | 第14-15页 |
| 1.4 论文组织结构 | 第15-17页 |
| 第二章 研究现状概述与相关工作 | 第17-31页 |
| 2.1 轨迹数据概述 | 第17-19页 |
| 2.2 轨迹驱动的交通网络研究现状 | 第19-25页 |
| 2.2.1 模型驱动向数据驱动的转变 | 第20-22页 |
| 2.2.2 轨迹驱动的交通状态指标监测 | 第22-23页 |
| 2.2.3 轨迹驱动的交通网络结构识别 | 第23-24页 |
| 2.2.4 研究现状总结 | 第24-25页 |
| 2.3 基础模型与算法 | 第25-28页 |
| 2.3.1 概率主成分分析模型 | 第25-26页 |
| 2.3.2 概率模型的EM学习算法 | 第26-27页 |
| 2.3.3 张量的Tucker分解算法 | 第27-28页 |
| 2.4 本章小结 | 第28-31页 |
| 第三章 稀疏数据情况下的路网通行速度预测 | 第31-53页 |
| 3.1 引言 | 第31-33页 |
| 3.2 相关工作 | 第33-34页 |
| 3.3 模型与方法 | 第34-44页 |
| 3.3.1 拥堵状态感知的路段聚簇 | 第34-38页 |
| 3.3.2 概率PCA的EM参数优化 | 第38-41页 |
| 3.3.3 路网速度预测算法 | 第41-44页 |
| 3.4 实验与分析 | 第44-52页 |
| 3.4.1 数据与度量 | 第44-46页 |
| 3.4.2 模型有效性 | 第46-52页 |
| 3.4.3 计算复杂度 | 第52页 |
| 3.5 本章小结 | 第52-53页 |
| 第四章 情景感知的路网动态交通阻抗估计 | 第53-75页 |
| 4.1 引言 | 第53-55页 |
| 4.2 相关工作 | 第55-57页 |
| 4.3 模型与方法 | 第57-67页 |
| 4.3.1 模型框架 | 第57-59页 |
| 4.3.2 情景感知与张量模型构建 | 第59-61页 |
| 4.3.3 基于POI特征的路阻张量分解 | 第61-64页 |
| 4.3.4 加权状态感知的路网阻抗估计 | 第64-67页 |
| 4.4 实验与分析 | 第67-73页 |
| 4.4.1 数据与对比算法 | 第67-69页 |
| 4.4.2 情景感知张量分解结果 | 第69-71页 |
| 4.4.3 路网阻抗估计算法结果 | 第71-73页 |
| 4.5 本章小结 | 第73-75页 |
| 第五章 兴趣点驱动的交通网络社区结构发现 | 第75-93页 |
| 5.1 引言 | 第75-76页 |
| 5.2 相关工作 | 第76-77页 |
| 5.3 模型与方法 | 第77-84页 |
| 5.3.1 基于出行OD的交通网络构建 | 第77-78页 |
| 5.3.2 Newman模块度与社区发现算法 | 第78-81页 |
| 5.3.3 社区与POI一致性分析模型 | 第81-84页 |
| 5.4 实例结果与分析 | 第84-91页 |
| 5.4.1 数据集 | 第84-85页 |
| 5.4.2 结果分析与讨论 | 第85-91页 |
| 5.5 本章小结 | 第91-93页 |
| 第六章 基于交通网络社区的显著兴趣点识别 | 第93-105页 |
| 6.1 引言 | 第93页 |
| 6.2 相关工作 | 第93-94页 |
| 6.3 模型与算法 | 第94-97页 |
| 6.3.1 基于Logistic回归的显著POI挖掘 | 第94-97页 |
| 6.3.2 基于社区标签的显著POI识别算法 | 第97页 |
| 6.4 实验分析与讨论 | 第97-103页 |
| 6.4.1 实验结果 | 第97-103页 |
| 6.4.2 分析讨论 | 第103页 |
| 6.5 本章小结 | 第103-105页 |
| 第七章 总结与展望 | 第105-107页 |
| 7.1 研究工作总结 | 第105-106页 |
| 7.2 研究工作展望 | 第106-107页 |
| 参考文献 | 第107-121页 |
| 作者简介及在学期间科研成果 | 第121-123页 |
| 致谢 | 第123页 |