基于智能手机的城市居民出行方式研究
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 1 绪论 | 第9-17页 |
| 1.1 研究背景 | 第9-10页 |
| 1.2 研究目的及意义 | 第10页 |
| 1.3 国内外研究现状 | 第10-15页 |
| 1.3.1 国外研究现状 | 第10-13页 |
| 1.3.2 国内研究现状 | 第13-15页 |
| 1.4 研究内容与技术路线 | 第15-17页 |
| 2 数据采集 | 第17-27页 |
| 2.1 基于智能手机的居民出行调查 | 第18-21页 |
| 2.1.1 定位软件介绍 | 第18-21页 |
| 2.1.2 志愿者招募培训 | 第21页 |
| 2.2 数据采集 | 第21-26页 |
| 2.2.1 出行数据采集流程 | 第21-22页 |
| 2.2.2 社会经济属性 | 第22-25页 |
| 2.2.3 出行属性统计分析 | 第25-26页 |
| 2.3 本章总结 | 第26-27页 |
| 3 数据处理 | 第27-33页 |
| 3.1 数据源描述 | 第27-28页 |
| 3.2 特征描述 | 第28-29页 |
| 3.3 特征选择 | 第29-32页 |
| 3.4 本章小结 | 第32-33页 |
| 4 出行方式识别 | 第33-50页 |
| 4.1 模糊识别算法 | 第33-40页 |
| 4.1.1 模糊识别的概念 | 第33页 |
| 4.1.2 基于先验知识的出行方式模糊识别方法 | 第33-40页 |
| 4.1.2.1 出行方式的先验知识 | 第33-34页 |
| 4.1.2.2 模糊决策逻辑说明 | 第34-37页 |
| 4.1.2.3 出行方式识别的模糊推理系统 | 第37-38页 |
| 4.1.2.4 各种出行方式的隶属度函数 | 第38-40页 |
| 4.2 支持向量机算法 | 第40-44页 |
| 4.2.1 支持向量机基本原理 | 第40-41页 |
| 4.2.2 核函数及参数选择 | 第41-42页 |
| 4.2.3 支持向量机算法 | 第42-44页 |
| 4.3 实例分析 | 第44-49页 |
| 4.3.1 识别精度介绍[55] | 第44页 |
| 4.3.2 模糊识别算法识别 | 第44-46页 |
| 4.3.3 支持向量机识别 | 第46-47页 |
| 4.3.4 与其他分类算法的比较 | 第47-49页 |
| 4.4 本章小结 | 第49-50页 |
| 5 结论与展望 | 第50-52页 |
| 5.1 论文工作总结 | 第50页 |
| 5.2 主要创新点 | 第50-51页 |
| 5.3 研究局限性与未来展望 | 第51-52页 |
| 致谢 | 第52-53页 |
| 参考文献 | 第53-56页 |
| 附录A:家庭社会经济属性 | 第56-57页 |
| 附录B:出行信息表 | 第57-58页 |
| 攻读学位期间的研究成果 | 第58页 |
