轨迹大数据驱动的乘客需求预测应用研究
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 1 绪论 | 第9-17页 |
| 1.1 研究背景及意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-14页 |
| 1.2.1 轨迹大数据研究现状 | 第10-12页 |
| 1.2.2 乘客分布研究现状 | 第12-14页 |
| 1.3 论文研究内容与组织结构 | 第14-17页 |
| 2 轨迹大数据预处理 | 第17-26页 |
| 2.1 数据预处理 | 第17-21页 |
| 2.1.1 软硬件环境 | 第17-18页 |
| 2.1.2 浮动车数据介绍 | 第18页 |
| 2.1.3 浮动车数据清洗 | 第18-20页 |
| 2.1.4 天气数据预处理 | 第20-21页 |
| 2.2 乘客分布估计并行化算法 | 第21-25页 |
| 2.2.1 符号说明 | 第21页 |
| 2.2.2 网格划分 | 第21-22页 |
| 2.2.3 乘客分布估计 | 第22-23页 |
| 2.2.4 乘客分布估计并行化算法的实现 | 第23-25页 |
| 2.3 本章总结 | 第25-26页 |
| 3 乘客分布特征探测分析 | 第26-39页 |
| 3.1 符号定义 | 第26页 |
| 3.2 时空分布特征 | 第26-35页 |
| 3.2.1 交通枢纽区 | 第28-31页 |
| 3.2.2 核心商业区 | 第31-33页 |
| 3.2.3 住宅周边区域 | 第33-35页 |
| 3.3 不同天气下的乘客时序分析 | 第35-36页 |
| 3.4 变量分析 | 第36-38页 |
| 3.5 本章小结 | 第38-39页 |
| 4 乘客分布预测模型 | 第39-49页 |
| 4.1 背景知识 | 第39-40页 |
| 4.1.1 卡尔曼滤波 | 第39-40页 |
| 4.1.2 非齐次泊松模型 | 第40页 |
| 4.2 优化非齐次泊松模型 | 第40-45页 |
| 4.2.1 非齐次泊松模型的局限性 | 第41页 |
| 4.2.2 相关系数法 | 第41-42页 |
| 4.2.3 平滑指数法 | 第42-43页 |
| 4.2.4 优化模型 | 第43-45页 |
| 4.3 组合预测模型 | 第45-48页 |
| 4.4 本章总结 | 第48-49页 |
| 5 实验结果与分析 | 第49-58页 |
| 5.1 模型性能评价指标 | 第49-50页 |
| 5.2 基于不同乘客分布密度的预测结果 | 第50-51页 |
| 5.3 不同天气状态下的预测结果 | 第51-52页 |
| 5.4 与其他模型的对比分析 | 第52-56页 |
| 5.5 时间分析 | 第56-57页 |
| 5.6 本章小结 | 第57-58页 |
| 6 总结与展望 | 第58-60页 |
| 参考文献 | 第60-63页 |
| 个人简历、在学期间参加的科研项目及发表的论文 | 第63-64页 |
| 致谢 | 第64页 |
