基于智能手机的个体出行模式识别研究
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第10-24页 |
| 1.1 研究背景 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-21页 |
| 1.2.1 居民出行行为调查 | 第11-12页 |
| 1.2.2 出行方式识别综述 | 第12-14页 |
| 1.2.3 出行目的识别综述 | 第14-21页 |
| 1.2.4 研究现状总结 | 第21页 |
| 1.3 研究目的与研究内容 | 第21-22页 |
| 1.4 研究思路与技术路线 | 第22-24页 |
| 第二章 出行模式识别概述与数据采集 | 第24-34页 |
| 2.1 基本概念 | 第24-25页 |
| 2.2 出行模式识别内容 | 第25页 |
| 2.3 数据采集 | 第25-29页 |
| 2.3.1 出行轨迹采集 | 第25-29页 |
| 2.3.2 出行日志记录 | 第29页 |
| 2.4 轨迹数据预处理 | 第29-32页 |
| 2.4.1 噪音数据剔除 | 第29-30页 |
| 2.4.2 坐标转换 | 第30-31页 |
| 2.4.3 特征变量计算 | 第31页 |
| 2.4.4 轨迹可视化 | 第31-32页 |
| 2.5 本章小结 | 第32-34页 |
| 第三章 基于出行时空轨迹的停驻识别 | 第34-44页 |
| 3.1 停驻识别现状 | 第34-36页 |
| 3.1.1 特征基础 | 第34-35页 |
| 3.1.2 聚类方法 | 第35-36页 |
| 3.2 停驻识别方法 | 第36-39页 |
| 3.2.1 缺失段处理 | 第36-37页 |
| 3.2.2 完整段处理 | 第37-39页 |
| 3.3 停驻识别分析 | 第39-42页 |
| 3.3.1 评价指标 | 第40页 |
| 3.3.2 参数优化 | 第40-41页 |
| 3.3.3 结果分析 | 第41-42页 |
| 3.4 本章小结 | 第42-44页 |
| 第四章 基于GPS数据的出行方式识别 | 第44-58页 |
| 4.1 出行段划分 | 第44-45页 |
| 4.1.1 现状方法 | 第44-45页 |
| 4.1.2 基于步行段方法 | 第45页 |
| 4.2 要素确立 | 第45-47页 |
| 4.3 特征提取 | 第47-50页 |
| 4.3.1 常规特征 | 第47-49页 |
| 4.3.2 统计特征 | 第49-50页 |
| 4.3.3 出行特征 | 第50页 |
| 4.4 机器学习算法 | 第50-53页 |
| 4.4.1 分类回归 | 第50-51页 |
| 4.4.2 神经网络 | 第51页 |
| 4.4.3 随机森林 | 第51-53页 |
| 4.4.4 评价指标 | 第53页 |
| 4.5 出行方式识别分析 | 第53-56页 |
| 4.5.1 算法识别 | 第53-54页 |
| 4.5.2 情景比较 | 第54-56页 |
| 4.5.3 结论 | 第56页 |
| 4.6 本章小结 | 第56-58页 |
| 第五章 基于GPS与GIS信息的出行目的识别 | 第58-64页 |
| 5.1 要素确立 | 第58-59页 |
| 5.2 活动特征 | 第59-61页 |
| 5.2.1 时间特征 | 第59-60页 |
| 5.2.2 空间特征 | 第60-61页 |
| 5.3 出行目的识别分析 | 第61-63页 |
| 5.3.1 POI推测法 | 第61-62页 |
| 5.3.2 机器学习算法 | 第62-63页 |
| 5.4 本章小结 | 第63-64页 |
| 第六章 总结与展望 | 第64-66页 |
| 6.1 主要研究成果与结论 | 第64页 |
| 6.2 主要创新点 | 第64-65页 |
| 6.3 研究展望 | 第65-66页 |
| 致谢 | 第66-68页 |
| 参考文献 | 第68-71页 |
