| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第13-21页 |
| 1.1 研究背景 | 第13-14页 |
| 1.2 研究目的及意义 | 第14页 |
| 1.3 国内外研究现状 | 第14-18页 |
| 1.3.1 手机定位技术现状介绍 | 第14-15页 |
| 1.3.2 基于手机数据的交通区划分方法研究现状 | 第15-16页 |
| 1.3.3 基于手机数据的城市通勤客流职住地识别研究现状 | 第16-17页 |
| 1.3.4 基于时空轨迹数据的通勤出行特征研究现状 | 第17-18页 |
| 1.3.5 研究现状总结 | 第18页 |
| 1.4 主要研究内容 | 第18-20页 |
| 1.5 研究技术路线 | 第20-21页 |
| 第二章 手机数据解析及预处理 | 第21-31页 |
| 2.1 数据产生 | 第21页 |
| 2.2 研究数据解析 | 第21-23页 |
| 2.2.1 手机数据 | 第21-22页 |
| 2.2.2 基站数据 | 第22-23页 |
| 2.3 目标数据提取 | 第23页 |
| 2.4 数据匹配及可视化 | 第23-24页 |
| 2.5 手机数据预处理 | 第24-27页 |
| 2.5.1 噪声数据解析 | 第25-26页 |
| 2.5.2 数据预处理算法 | 第26-27页 |
| 2.6 预处理后数据特征 | 第27-29页 |
| 2.7 本章小结 | 第29-31页 |
| 第三章 基于手机数据的城市通勤客流提取 | 第31-39页 |
| 3.1 职住点识别算法 | 第31-33页 |
| 3.1.1 总体思路 | 第31页 |
| 3.1.2 活动点序列提取 | 第31-32页 |
| 3.1.3 职住点识别 | 第32-33页 |
| 3.2 识别结果描述及验证 | 第33-34页 |
| 3.2.1 识别结果描述 | 第33页 |
| 3.2.2 识别结果验证 | 第33-34页 |
| 3.2.3 验证结果分析 | 第34页 |
| 3.3 地图准备及识别结果单位化 | 第34-37页 |
| 3.3.1 基站小区地图准备 | 第35页 |
| 3.3.2 识别结果单位化 | 第35-37页 |
| 3.4 本章小结 | 第37-39页 |
| 第四章 基于手机数据的交通区划分方法 | 第39-53页 |
| 4.1 交通区划分准则 | 第39-40页 |
| 4.2 交通语义赋值方法 | 第40-43页 |
| 4.2.1 聚类参数描述 | 第40-41页 |
| 4.2.2 基于K-means++算法的交通语义赋值 | 第41-43页 |
| 4.2.3 不同交通语义基站小区土地特征分析 | 第43页 |
| 4.3 基站小区聚类方法 | 第43-47页 |
| 4.3.1 聚类参数描述 | 第44-45页 |
| 4.3.2 基于人口密度的基站小区分层 | 第45页 |
| 4.3.3 考虑权重的基站小区分层聚类 | 第45-46页 |
| 4.3.4 基站小区合并 | 第46-47页 |
| 4.4 交通区划分结果分析 | 第47-50页 |
| 4.4.1 用地特征分析 | 第47-48页 |
| 4.4.2 交通特征分析 | 第48-50页 |
| 4.5 本章小结 | 第50-53页 |
| 第五章 通勤客流出行特征分析与挖掘 | 第53-73页 |
| 5.1 通勤出行空间特征提取 | 第53-57页 |
| 5.1.1 空间特征提取方法 | 第53页 |
| 5.1.2 空间特征分析 | 第53-57页 |
| 5.2 通勤出行时间特征提取与分析 | 第57-64页 |
| 5.2.1 时间特征提取算法实例 | 第57-62页 |
| 5.2.2 时间特征分析 | 第62-64页 |
| 5.3 交通区分类 | 第64-67页 |
| 5.3.1 聚类参数描述 | 第64页 |
| 5.3.2 层次聚类算法优势 | 第64-65页 |
| 5.3.3 聚类结果分析 | 第65-67页 |
| 5.4 特征交通区分布模式及通勤出行特征分析 | 第67-71页 |
| 5.4.1 典型通勤产生/吸引类交通区 | 第68-69页 |
| 5.4.2 长距离通勤类交通区 | 第69-71页 |
| 5.5 本章小结 | 第71-73页 |
| 第六章 结论与展望 | 第73-75页 |
| 6.1 研究结论 | 第73页 |
| 6.2 研究展望 | 第73-75页 |
| 致谢 | 第75-77页 |
| 参考文献 | 第77-81页 |
| 作者简介 | 第81页 |
