| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 第一章 绪论 | 第10-18页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-15页 |
| 1.2.1 公共自行车出行特征分析 | 第11-12页 |
| 1.2.2 公共自行车出行特征可视化技术 | 第12-13页 |
| 1.2.3 出行者出行目的识别方法 | 第13-14页 |
| 1.2.4 公共自行车出行需求预测方法 | 第14页 |
| 1.2.5 存在问题 | 第14-15页 |
| 1.3 研究目标与研究内容 | 第15-16页 |
| 1.3.1 研究目标 | 第15页 |
| 1.3.2 研究内容 | 第15-16页 |
| 1.4 技术路线 | 第16-18页 |
| 第二章 基于智能IC卡的公共自行车出行链提取 | 第18-28页 |
| 2.1 公共自行车出行链定义 | 第18-19页 |
| 2.2 公共自行车出行链提取方法 | 第19-22页 |
| 2.2.1 出行链提取流程 | 第19-20页 |
| 2.2.2 出行链提取步骤 | 第20-22页 |
| 2.3 南京公共自行车出行链提取结果 | 第22-27页 |
| 2.3.1 数据来源 | 第22-23页 |
| 2.3.2 提取结果 | 第23-27页 |
| 2.4 本章小结 | 第27-28页 |
| 第三章 公共自行车出行链特征分析 | 第28-38页 |
| 3.1 公共自行车出行链时空分布特征 | 第28-31页 |
| 3.1.1 性别分布特征 | 第28页 |
| 3.1.2 年龄分布特征 | 第28-29页 |
| 3.1.3 出行时段分布特征 | 第29-30页 |
| 3.1.4 站点分布特征 | 第30-31页 |
| 3.3 公共自行车出行链可视化分析 | 第31-37页 |
| 3.3.1 基于贝塞尔曲线的出行链可视化方法 | 第31-32页 |
| 3.3.2 南京公共自行车出行链可视化结果分析 | 第32-37页 |
| 3.4 本章小结 | 第37-38页 |
| 第四章 公共自行车出行链出行目的识别 | 第38-56页 |
| 4.1 连续隐马尔科夫链模型（CHMM） | 第38-45页 |
| 4.1.1 连续隐马尔科夫链模型概述 | 第38-39页 |
| 4.1.2 连续隐马尔科夫链模型构建 | 第39-41页 |
| 4.1.3 连续隐马尔科夫链模型算法 | 第41-45页 |
| 4.2 基于CHMM模型的公共自行车出行链出行目的识别方法 | 第45-46页 |
| 4.2.1 识别流程 | 第45页 |
| 4.2.2 具体步骤 | 第45-46页 |
| 4.3 南京公共自行车出行链出行目的识别结果 | 第46-55页 |
| 4.3.1 数据准备 | 第46-48页 |
| 4.3.2 参数估计 | 第48-50页 |
| 4.3.3 识别结果 | 第50-53页 |
| 4.3.4 结果验证 | 第53-55页 |
| 4.4 本章小结 | 第55-56页 |
| 第五章 基于LSTM模型的公共自行车出行需求预测 | 第56-84页 |
| 5.1 长短时记忆网络模型（LSTM） | 第56-62页 |
| 5.1.1 LSTM模型概述 | 第56-57页 |
| 5.1.2 LSTM的前向传播算法 | 第57-59页 |
| 5.1.3 LSTM的反向传播算法 | 第59-62页 |
| 5.2 基于LSTM模型的公共自行车出行需求预测方法 | 第62-63页 |
| 5.2.1 预测流程 | 第62页 |
| 5.2.2 具体步骤 | 第62-63页 |
| 5.3 南京公共自行车出行需求预测结果 | 第63-82页 |
| 5.3.1 数据准备 | 第63-65页 |
| 5.3.2 模型训练与测试 | 第65-67页 |
| 5.3.3 住宅区站点需求预测结果 | 第67-71页 |
| 5.3.4 商业区站点需求预测结果 | 第71-75页 |
| 5.3.5 混合土地利用类型站点需求预测结果 | 第75-79页 |
| 5.3.6 地铁换乘类站点需求预测结果 | 第79-82页 |
| 5.4 本章小结 | 第82-84页 |
| 第六章 总结与展望 | 第84-86页 |
| 6.1 研究成果和主要结论 | 第84页 |
| 6.2 主要创新点 | 第84-85页 |
| 6.3 研究展望 | 第85-86页 |
| 致谢 | 第86-88页 |
| 参考文献 | 第88-92页 |
| 作者简介 | 第92页 |