| 摘要 | 第6-7页 |
| Abstract | 第7-8页 |
| 第一章 绪论 | 第11-17页 |
| 1.1 研究背景 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-14页 |
| 1.2.1 手机信令数据的清洗 | 第12-13页 |
| 1.2.2 手机信令数据停留点信息的挖掘 | 第13-14页 |
| 1.2.3 手机信令数据在研究居民居住与就业分布上的应用 | 第14页 |
| 1.3 本文研究的主要内容及论文的组织结构 | 第14-17页 |
| 1.3.1 本文研究的主要内容 | 第14-16页 |
| 1.3.2 论文的组织结构 | 第16-17页 |
| 第二章 相关理论基础 | 第17-25页 |
| 2.1 离群点检测算法概述 | 第17-21页 |
| 2.2 停留点识别算法 | 第21-23页 |
| 2.3 职住空间分布研究 | 第23-24页 |
| 2.3.1 基于问卷调查的职住空间信息获取 | 第24页 |
| 2.3.2 基于手机信令数据的职住空间信息获取 | 第24页 |
| 2.4 本章小结 | 第24-25页 |
| 第三章 手机信令数据的清洗 | 第25-43页 |
| 3.1 数据源概述 | 第25-28页 |
| 3.2 用户识别码的预处理 | 第28-30页 |
| 3.3 无效数据清洗 | 第30页 |
| 3.4 漂移数据清洗 | 第30-32页 |
| 3.5 LOF离群点检测算法的引入与改进 | 第32-38页 |
| 3.5.1 LOF离群点检测算法的原理 | 第32-34页 |
| 3.5.2 K-means聚类算法的引入 | 第34-37页 |
| 3.5.3 KLOF算法的复杂度分析 | 第37-38页 |
| 3.6 信令数据清洗结果分析 | 第38-42页 |
| 3.6.1 分层次手机信令数据清洗的实验效果 | 第38-40页 |
| 3.6.2 KLOF算法的时间优越性 | 第40-42页 |
| 3.7 本章小结 | 第42-43页 |
| 第四章 基于DBSCAN的时空停留点提取算法 | 第43-54页 |
| 4.1 DBSCAN聚类算法概述 | 第43-44页 |
| 4.2 DBSCAN聚类算法时间维度的语义扩充 | 第44-45页 |
| 4.3 基于DBSCAN的时空停留点提取算法 | 第45-48页 |
| 4.4 停留点提取算法结果分析 | 第48-52页 |
| 4.4.1 时空Eps邻域所起的作用 | 第48-49页 |
| 4.4.2 停留点提取算法性能评估 | 第49-52页 |
| 4.5 本章小结 | 第52-54页 |
| 第五章 潍坊市居民职住空间的获取与分析 | 第54-60页 |
| 5.1 停留点数据的提取 | 第54-56页 |
| 5.2 停留点数据概述 | 第56页 |
| 5.3 职住停留点划分算法 | 第56-57页 |
| 5.4 职住划分实验结果 | 第57-59页 |
| 5.5 本章小结 | 第59-60页 |
| 总结和展望 | 第60-62页 |
| 本文工作总结 | 第60-61页 |
| 未来工作展望 | 第61-62页 |
| 致谢 | 第62-63页 |
| 参考文献 | 第63-67页 |
| 攻读硕士期间发表的论文 | 第67页 |