| 摘要 | 第6-7页 |
| Abstract | 第7页 |
| 第1章 绪论 | 第10-20页 |
| 1.1 研究背景 | 第10-11页 |
| 1.2 研究意义 | 第11-12页 |
| 1.3 国内外研究现状 | 第12-16页 |
| 1.3.1 国外研究现状 | 第12-14页 |
| 1.3.2 国内研究现状 | 第14-15页 |
| 1.3.3 文献总结 | 第15-16页 |
| 1.4 研究目标与内容 | 第16-17页 |
| 1.4.1 研究目标 | 第16页 |
| 1.4.2 研究内容 | 第16-17页 |
| 1.5 拟解决的关键问题与技术路线 | 第17-18页 |
| 1.5.1 拟解决的关键问题 | 第17-18页 |
| 1.5.2 技术路线 | 第18页 |
| 1.6 论文章节安排 | 第18-20页 |
| 第2章 GPS定位频率与出行轨迹信息 | 第20-26页 |
| 2.1 手机GPS定位频率 | 第20-21页 |
| 2.1.1 GPS技术简介 | 第20页 |
| 2.1.2 手机GPS定位频率 | 第20-21页 |
| 2.2 出行轨迹信息的内容和获取方式 | 第21-24页 |
| 2.2.1 出行轨迹信息的主要内容 | 第21-22页 |
| 2.2.2 出行轨迹信息获取方式 | 第22-24页 |
| 2.3 手机GPS定位频率对出行轨迹信息的影响机理 | 第24-26页 |
| 2.3.1 手机GPS定位频率过高的影响 | 第24-25页 |
| 2.3.2 手机GPS定位频率过低的影响 | 第25-26页 |
| 第3章 实验设计、数据采集与预处理 | 第26-36页 |
| 3.1 实验设计 | 第26-31页 |
| 3.1.1 实验设备与软件 | 第26-28页 |
| 3.1.2 实验线路与方式组合 | 第28-31页 |
| 3.2 数据预处理 | 第31-36页 |
| 3.2.1 原始数据 | 第31-32页 |
| 3.2.2 数据稀疏化处理 | 第32-34页 |
| 3.2.3 数据特征分析 | 第34-35页 |
| 3.2.4 GPS数据与出行日志标定 | 第35-36页 |
| 第4章 出行轨迹信息提取方法研究 | 第36-45页 |
| 4.1 出行信息提取方法综述 | 第36-38页 |
| 4.1.1 GIS辅助方法 | 第36-37页 |
| 4.1.2 机器学习方法 | 第37页 |
| 4.1.3 总结 | 第37-38页 |
| 4.2 人工神经网络算法 | 第38-41页 |
| 4.2.1 人工神经网络算法简介 | 第38-39页 |
| 4.2.2 人工神经网络算法模型构建 | 第39-41页 |
| 4.3 随机森林算法 | 第41-43页 |
| 4.3.1 随机森林算法简介 | 第41-42页 |
| 4.3.2 随机森林算法模型构建 | 第42-43页 |
| 4.4 算法可行性分析 | 第43-45页 |
| 第5章 定位频率对出行轨迹信息识别的影响研究 | 第45-68页 |
| 5.1 定位频率对出行轨迹信息提取精度的定性影响分析 | 第45-47页 |
| 5.1.1 定位频率对交通方式转换点识别精度的定性影响 | 第45-46页 |
| 5.1.2 定位频率对交通方式识别精度的定性影响 | 第46-47页 |
| 5.2 定位频率对出行轨迹关键点识别的影响分析 | 第47-61页 |
| 5.2.1 神经网络算法识别 | 第48-55页 |
| 5.2.2 随机森林算法识别 | 第55-61页 |
| 5.3 定位频率对交通方式识别的影响分析 | 第61-67页 |
| 5.3.1 神经网络算法识别 | 第62-64页 |
| 5.3.2 随机森林算法识别 | 第64-67页 |
| 5.4 总结 | 第67-68页 |
| 结论与展望 | 第68-71页 |
| 致谢 | 第71-72页 |
| 参考文献 | 第72-76页 |
| 攻读硕士学位期间发表的论文 | 第76页 |
