基于手机加速度传感器数据的交通出行方式识别方法研究
| 摘要 | 第6-7页 |
| Abstract | 第7页 |
| 第1章 绪论 | 第11-18页 |
| 1.1 研究背景与意义 | 第11页 |
| 1.2 国内外研究现状 | 第11-15页 |
| 1.2.1 国外研究现状 | 第11-15页 |
| 1.2.2 国内研究现状 | 第15页 |
| 1.2.3 国内外研究现状总结与评价 | 第15页 |
| 1.3 研究目标与内容 | 第15-16页 |
| 1.4 技术路线图 | 第16-17页 |
| 1.5 论文章节安排 | 第17-18页 |
| 第2章 手机加速度传感器技术 | 第18-22页 |
| 2.1 加速度传感器简介 | 第18-19页 |
| 2.2 加速度传感器应用 | 第19-20页 |
| 2.3 手机加速度传感器与交通 | 第20-22页 |
| 第3章 交通出行方式识别方法研究 | 第22-33页 |
| 3.1 决策树 | 第22-25页 |
| 3.1.1 基本概念 | 第22页 |
| 3.1.2 结构 | 第22页 |
| 3.1.3 决策树处理流程 | 第22-25页 |
| 3.1.4 优缺点 | 第25页 |
| 3.2 贝叶斯网络 | 第25-27页 |
| 3.2.1 基本概念 | 第25-26页 |
| 3.2.2 结构 | 第26页 |
| 3.2.3 数学原理 | 第26页 |
| 3.2.4 优缺点 | 第26-27页 |
| 3.3 人工神经网络 | 第27-31页 |
| 3.3.1 基本概念 | 第27页 |
| 3.3.2 基本特征 | 第27-28页 |
| 3.3.3 神经网络构成及训练过程 | 第28-30页 |
| 3.3.4 优缺点 | 第30-31页 |
| 3.4 支持向量机 | 第31-33页 |
| 3.4.1 基本概念 | 第31页 |
| 3.4.2 原理简介 | 第31页 |
| 3.4.3 优缺点 | 第31-33页 |
| 第4章 实验设计、数据采集和预处理 | 第33-48页 |
| 4.1 实验设计 | 第33-36页 |
| 4.1.1 实验路线 | 第33-34页 |
| 4.1.2 交通出行方案 | 第34-36页 |
| 4.2 数据采集 | 第36-39页 |
| 4.2.1 数据采集工具 | 第36页 |
| 4.2.2 数据采集方法 | 第36页 |
| 4.2.3 数据采集软件 | 第36-39页 |
| 4.3 数据预处理 | 第39-48页 |
| 4.3.1 多出行方式下的加速度分析 | 第39-41页 |
| 4.3.2 单一出行方式的加速度分析 | 第41-48页 |
| 第5章 交通出行方式识别方法比较与结果分析 | 第48-62页 |
| 5.1 WEKA软件 | 第48-51页 |
| 5.1.1 数据格式 | 第48-49页 |
| 5.1.2 数据准备 | 第49页 |
| 5.1.3 软件主界面 | 第49-51页 |
| 5.2 数据属性选择与设定 | 第51页 |
| 5.3 算法训练流程 | 第51-55页 |
| 5.3.1. 训练数据选择 | 第51-53页 |
| 5.3.2 数据格式修改及导入 | 第53页 |
| 5.3.3 数据训练与模型对比选择 | 第53-55页 |
| 5.4 数据识别与效果评估 | 第55-62页 |
| 5.4.1 单一出行方式识别 | 第55-57页 |
| 5.4.2 组合出行方式分段与识别 | 第57-62页 |
| 第6章 结论与展望 | 第62-65页 |
| 6.1 研究结论 | 第62-63页 |
| 6.2 研究展望 | 第63-65页 |
| 致谢 | 第65-66页 |
| 参考文献 | 第66-70页 |
| 攻读硕士学位期间发表的论文及科研成果 | 第70页 |
