| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 第1章 绪论 | 第9-16页 |
| 1.1 课题背景与意义 | 第9-10页 |
| 1.2 相关领域国内外研究现状 | 第10-13页 |
| 1.2.1 对深港口岸客流研究内容的研究现状 | 第10-12页 |
| 1.2.2 对深港口岸客流研究方法的研究现状 | 第12-13页 |
| 1.3 本文主要研究内容及组织结构 | 第13-16页 |
| 第2章 客流出行行为分析研究框架和相关技术 | 第16-25页 |
| 2.1 客流出行行为分析概要 | 第16-17页 |
| 2.1.1 客流出行行为的定义 | 第16页 |
| 2.1.2 客流出行特征的指标分析 | 第16-17页 |
| 2.2 客流出行行为分析的研究流程 | 第17页 |
| 2.3 客流出行行为分析的具体研究框架 | 第17-19页 |
| 2.4 客流出行行为分析的相关技术 | 第19-24页 |
| 2.4.1 大数据平台 | 第19-21页 |
| 2.4.2 数据预处理 | 第21-22页 |
| 2.4.3 数据特征分析 | 第22-23页 |
| 2.4.4 聚类算法的选择 | 第23-24页 |
| 2.5 本章小结 | 第24-25页 |
| 第3章 基于公共交通数据的深圳口岸客流出行行为分析 | 第25-43页 |
| 3.1 数据来源及字段说明 | 第25-26页 |
| 3.2 数据预处理 | 第26-30页 |
| 3.2.1 深圳通数据清洗 | 第27页 |
| 3.2.2 公交GPS数据预处理 | 第27-29页 |
| 3.2.3 公共交通数据融合 | 第29-30页 |
| 3.3 基于公共交通数据的口岸客流出行特征分析 | 第30-35页 |
| 3.3.1 出行时间维度分析 | 第31-32页 |
| 3.3.2 出行空间维度分析 | 第32-33页 |
| 3.3.3 重要站点的时空特征分析 | 第33-35页 |
| 3.4 基于公共交通数据的口岸客流出行行为模式挖掘 | 第35-41页 |
| 3.4.1 出行特征向量表示 | 第35页 |
| 3.4.2 算法模型的建立 | 第35-36页 |
| 3.4.3 基于密度改进的层次聚类算法 | 第36-38页 |
| 3.4.4 实验结果分析和算法模型评估 | 第38-41页 |
| 3.5 客流分析与优化措施 | 第41-42页 |
| 3.6 本章小结 | 第42-43页 |
| 第4章 基于手机卡信息的香港游客出行行为分析 | 第43-65页 |
| 4.1 数据集来源及字段说明 | 第43-44页 |
| 4.2 数据预处理 | 第44-45页 |
| 4.3 基于通信数据的游客出行行为分析 | 第45-50页 |
| 4.3.1 出行时间维度分析 | 第45-48页 |
| 4.3.2 出行空间维度分析 | 第48-50页 |
| 4.4 基于出行目的偏好的游客挖掘模型 | 第50-62页 |
| 4.4.1 地点标签体系的建立 | 第50-53页 |
| 4.4.2 人群特征值提取 | 第53-55页 |
| 4.4.3 基于TF-IDF算法的用户出行偏好加权处理 | 第55-56页 |
| 4.4.4 基于PCA的出行特征降维 | 第56-58页 |
| 4.4.5 基于改进的k-means算法构建聚类模型 | 第58-60页 |
| 4.4.6 实验结果分析与算法模型评估 | 第60-62页 |
| 4.5 游客驻留点关联性分析 | 第62-63页 |
| 4.6 客流分析和优化措施 | 第63-64页 |
| 4.7 本章小结 | 第64-65页 |
| 第5章 总结与展望 | 第65-67页 |
| 5.1 本文主要研究成果与创新点 | 第65-66页 |
| 5.2 未来工作展望 | 第66-67页 |
| 致谢 | 第67-68页 |
| 参考文献 | 第68-71页 |
| 攻读学位期间发表的论文 | 第71-72页 |
| 附录A 论文中用到的大数据平台及相关数据 | 第72-74页 |
| 附录B 论文研究的部分代码 | 第74-81页 |
