| 中文摘要 | 第3-5页 |
| 英文摘要 | 第5-6页 |
| 1 绪论 | 第9-15页 |
| 1.1 背景及意义 | 第9-10页 |
| 1.2 国内外现状 | 第10-12页 |
| 1.2.1 公交数据研究现状 | 第10-11页 |
| 1.2.2 交通可视化研究现状 | 第11-12页 |
| 1.3 研究内容及目标 | 第12-13页 |
| 1.4 章节安排 | 第13-14页 |
| 1.5 本章小结 | 第14-15页 |
| 2 相关技术与理论 | 第15-25页 |
| 2.1 数据挖掘技术 | 第15-17页 |
| 2.1.1 公交数据挖掘流程 | 第15-16页 |
| 2.1.2 公交数据挖掘方法 | 第16-17页 |
| 2.2 数据可视化 | 第17-21页 |
| 2.2.1 数据可视化定义 | 第18-19页 |
| 2.2.2 数据可视化产生及现状 | 第19-20页 |
| 2.2.3 数据可视化特点 | 第20-21页 |
| 2.3 数据可视化工具 | 第21-23页 |
| 2.3.1 ECharts | 第21-22页 |
| 2.3.2 Tableau | 第22-23页 |
| 2.4 本章小结 | 第23-25页 |
| 3 公交上下车站点推算 | 第25-47页 |
| 3.1 公交数据预处理 | 第25-32页 |
| 3.1.1 公交IC刷卡数据预处理 | 第26-28页 |
| 3.1.2 公交GPS数据预处理 | 第28-30页 |
| 3.1.3 公交基础数据预处理 | 第30-32页 |
| 3.2 数据关系 | 第32页 |
| 3.3 上车站点推算方法 | 第32-41页 |
| 3.3.1 基于公交IC卡和GPS数据的时间匹配法 | 第33页 |
| 3.3.2 基于IC刷卡数据的聚类分析法 | 第33-35页 |
| 3.3.3 基于IC卡聚类和站间距的上车站点推算方法 | 第35-38页 |
| 3.3.4 上车站点推算结果 | 第38-41页 |
| 3.4 下车站点推算方法 | 第41-45页 |
| 3.4.1 公交站点吸引权法 | 第41页 |
| 3.4.2 乘客公交出行链法 | 第41-44页 |
| 3.4.3 下车站点推算结果 | 第44-45页 |
| 3.5 本章小结 | 第45-47页 |
| 4 公交客流分析及可视化 | 第47-61页 |
| 4.1 客流峰值区间划分 | 第47-51页 |
| 4.1.1 基于Fisher最优分割法的公交客流峰值区间划分模型 | 第47-48页 |
| 4.1.2 确定客流峰值区间 | 第48-51页 |
| 4.2 公交客流时间特性 | 第51-57页 |
| 4.2.1 一周客流时间分布 | 第51-52页 |
| 4.2.2 全日客流时间分布 | 第52-53页 |
| 4.2.3 单条线路客流时间分布 | 第53-54页 |
| 4.2.4 单个站点客流时间分布 | 第54-55页 |
| 4.2.5 不同群体出行时间分布 | 第55-57页 |
| 4.3 公交客流空间特性 | 第57-60页 |
| 4.3.1 单条线路站点客流量分布 | 第57-58页 |
| 4.3.2 全部站点客流量分布 | 第58-59页 |
| 4.3.3 公交站点上下车客流量分布 | 第59-60页 |
| 4.4 本章小结 | 第60-61页 |
| 5 居民出行分析及可视化 | 第61-71页 |
| 5.1 居民职住地识别及可视化 | 第61-66页 |
| 5.1.1 考虑时间范围的职住地识别算法 | 第61-64页 |
| 5.1.2 居民职住地可视化 | 第64-66页 |
| 5.2 通勤出行分析及可视化 | 第66-69页 |
| 5.2.1 基于职住地的通勤出行识别 | 第66-68页 |
| 5.2.2 通勤出行可视化 | 第68-69页 |
| 5.3 本章小结 | 第69-71页 |
| 6 总结与展望 | 第71-73页 |
| 致谢 | 第73-75页 |
| 参考文献 | 第75-78页 |
