| 摘要 | 第5-7页 |
| abstract | 第7-9页 |
| 第1章 绪论 | 第14-27页 |
| 1.1 研究背景与意义 | 第14-18页 |
| 1.1.1 既有个体出行调查技术及缺陷 | 第15-16页 |
| 1.1.2 手机传感器调查技术优势 | 第16-17页 |
| 1.1.3 数据瓶颈制约交通需求分析与交通模型发展 | 第17-18页 |
| 1.1.4 “大数据”时代交通调查技术发展新机遇 | 第18页 |
| 1.2 研究目标 | 第18-19页 |
| 1.2.1 学术理论目标 | 第18-19页 |
| 1.2.2 技术应用目标 | 第19页 |
| 1.3 应用前景与隐私问题 | 第19-20页 |
| 1.3.1 应用前景与方法 | 第19页 |
| 1.3.2 隐私保护与数据安全 | 第19-20页 |
| 1.4 主要内容与技术关键 | 第20-24页 |
| 1.4.1 手机传感器数据采集APP软件开发与数据库构建 | 第20-21页 |
| 1.4.2 多因素情景下交通出行试验设计与数据采集 | 第21页 |
| 1.4.3 不同条件下手机传感器数据特征分析与代表性指标提取 | 第21-22页 |
| 1.4.4 基于手机传感器数据的个体出行链信息提取关键技术研究 | 第22-24页 |
| 1.4.5 个体出行精细化数据提取效果评估与敏感性分析 | 第24页 |
| 1.5 技术路线与论文框架 | 第24-27页 |
| 第2章 基于手机定位的个体出行信息采集技术综述 | 第27-59页 |
| 2.1 手机定位分析技术类型与特征 | 第27-28页 |
| 2.1.1 手机传感器数据分析技术 | 第27页 |
| 2.1.2 手机信令数据分析技术 | 第27-28页 |
| 2.1.3 手机社交网络数据分析技术 | 第28页 |
| 2.2 基于手机定位数据的交通调查技术发展概述 | 第28-33页 |
| 2.3 基于手机信令数据的个体出行特征分析 | 第33-42页 |
| 2.3.1 居民活动规律动态监测 | 第33-38页 |
| 2.3.2 区间OD及断面客流分析 | 第38-41页 |
| 2.3.3 道路交通状态识别及信息发布 | 第41-42页 |
| 2.4 基于手机传感器数据的个体出行行为特征分析 | 第42-53页 |
| 2.4.1 出行链信息精细化提取 | 第42-50页 |
| 2.4.2 居民出行调查实地应用 | 第50-52页 |
| 2.4.3 交通参数与模型优化应用 | 第52-53页 |
| 2.5 基于社交网络数据的个体出行特征分析 | 第53-57页 |
| 2.5.1 居民出行特征 | 第53-55页 |
| 2.5.2 OD估计 | 第55-56页 |
| 2.5.3 职住空间特征 | 第56-57页 |
| 2.5.4 突发事件下人流密度监控 | 第57页 |
| 2.6 研究总结与发展趋势 | 第57-59页 |
| 第3章 手机传感器数据采集软件开发与数据解析 | 第59-78页 |
| 3.1 数据采集APP软件开发 | 第59-62页 |
| 3.1.1 APP软件详细功能 | 第59-61页 |
| 3.1.2 网络数据库管理系统功能 | 第61-62页 |
| 3.2 不同条件下手机传感器数据基础特征分析 | 第62-76页 |
| 3.2.1 数据采集方法与数据内容 | 第62-63页 |
| 3.2.2 轨迹点定位精度分析 | 第63页 |
| 3.2.3 运动状态与停留特征分析 | 第63-64页 |
| 3.2.4 个体出行轨迹点密度特征分析 | 第64-67页 |
| 3.2.5 个体出行速度特征分析 | 第67-72页 |
| 3.2.6 个体出行加速度特征分析 | 第72-76页 |
| 3.3 本章小结 | 第76-78页 |
| 第4章 个体出行链参数提取算法与适用性研究 | 第78-101页 |
| 4.1 个体出行链信息精细化提取技术思路 | 第78-79页 |
| 4.2 基于时空聚类算法的出行端点识别 | 第79-84页 |
| 4.3 基于小波变换模极大值算法的交通方式换乘点识别 | 第84-87页 |
| 4.4 基于机器学习算法的个体出行方式识别 | 第87-97页 |
| 4.4.1 基于BP神经网络算法的个体出行方式识别 | 第88-90页 |
| 4.4.2 基于支持向量机算法的个体出行方式识别 | 第90-93页 |
| 4.4.3 基于贝叶斯网络算法的个体出行方式识别 | 第93-95页 |
| 4.4.4 基于随机森林算法的个体出行方式识别 | 第95-97页 |
| 4.5 基于GIS地图匹配算法的出行方式识别结果优化 | 第97-100页 |
| 4.5.1 站点匹配算法原理 | 第98-99页 |
| 4.5.2 基于站点匹配算法的机动车出行方式识别结果优化方法 | 第99-100页 |
| 4.6 本章小结 | 第100-101页 |
| 第5章 基于手机传感器数据的出行链参数提取实证 | 第101-122页 |
| 5.1 手机传感器数据采集实地试验方案 | 第101-105页 |
| 5.1.1 不同出行目的数据采集方案设计 | 第101-102页 |
| 5.1.2 不同出行方式数据采集方案设计 | 第102-104页 |
| 5.1.3 不同交通状态与数据采样频率方案设计 | 第104页 |
| 5.1.4 出行日志数据采集 | 第104-105页 |
| 5.2 基于时间聚类算法的出行端点识别实证分析 | 第105-108页 |
| 5.2.1 算法参数配置 | 第105-106页 |
| 5.2.2 个体出行端点识别与出行轨迹切割实例 | 第106-108页 |
| 5.2.3 个体出行端点识别结果与误差分析 | 第108页 |
| 5.3 基于小波变换模极大值算法的交通方式换乘点识别实证 | 第108-112页 |
| 5.3.1 算法参数配置 | 第109-110页 |
| 5.3.2 多交通方式组合出行换乘点识别实例 | 第110-112页 |
| 5.3.3 交通方式换乘点识别结果与误差分析 | 第112页 |
| 5.4 基于数据挖掘算法的交通方式识别实证分析 | 第112-116页 |
| 5.4.1 算法参数配置 | 第113-114页 |
| 5.4.2 交通方式识别实例 | 第114-116页 |
| 5.4.3 交通方式识别结果与误差分析 | 第116页 |
| 5.5 基于GIS地图匹配的出行链信息识别结果优化实证分析 | 第116-121页 |
| 5.5.1 基于GIS地图匹配算法参数配置 | 第116-117页 |
| 5.5.2 机动车(公交车、小汽车)识别实例 | 第117-120页 |
| 5.5.3 机动车识别优化结果与误差分析 | 第120-121页 |
| 5.6 本章小结 | 第121-122页 |
| 第6章 不同条件下技术实证效果敏感性分析 | 第122-128页 |
| 6.1 关键参数及其对技术精度的影响机理 | 第122-124页 |
| 6.2 不同条件实地试验数据特征分析与规律总结 | 第124页 |
| 6.2.1 不同数据采样频率下手机传感器数据特征 | 第124页 |
| 6.2.2 不同交通状态下手机传感器数据特征 | 第124页 |
| 6.3 交通方式识别效果敏感性分析 | 第124-127页 |
| 6.3.1 算法的选择与影响 | 第124-125页 |
| 6.3.2 数据采样频率设置与影响 | 第125-126页 |
| 6.3.3 交通状态与影响 | 第126-127页 |
| 6.4 本章小结 | 第127-128页 |
| 结论与展望 | 第128-131页 |
| 致谢 | 第131-133页 |
| 参考文献 | 第133-139页 |
| 攻读博士学位期间发表的论文及科研成果 | 第139-141页 |
