| 摘要 | 第4-6页 |
| abstract | 第6-7页 |
| 第1章 绪论 | 第11-20页 |
| 1.1 研究背景和研究意义 | 第11-12页 |
| 1.1.1 研究背景 | 第11页 |
| 1.1.2 研究意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-17页 |
| 1.2.1 大数据在城市交通领域的应用 | 第12-13页 |
| 1.2.2 城市交通领域的主要数据源 | 第13-15页 |
| 1.2.3 交通流短时预测方法 | 第15-17页 |
| 1.3 研究内容和技术路线 | 第17-18页 |
| 1.4 论文结构安排 | 第18-20页 |
| 第2章 大数据处理平台与多源数据预处理 | 第20-32页 |
| 2.1 Hadoop大数据处理平台 | 第20-22页 |
| 2.2 出行OD数据提取 | 第22-26页 |
| 2.2.1 基于出租车GPS轨迹的OD提取 | 第22-24页 |
| 2.2.2 基于手机信令数据的OD提取 | 第24-26页 |
| 2.3 POI数据爬取 | 第26-28页 |
| 2.4 路网数据爬取 | 第28-29页 |
| 2.5 天气数据爬取 | 第29-31页 |
| 2.6 本章小结 | 第31-32页 |
| 第3章 城市出行需求特征分析 | 第32-47页 |
| 3.1 出行需求时间序列特性分析和属性设置 | 第32-38页 |
| 3.1.1 工作日时间特性分析 | 第34-36页 |
| 3.1.2 非工作日时间特性分析 | 第36-37页 |
| 3.1.3 时间相关特征属性设置 | 第37-38页 |
| 3.2 出行需求空间特性分析和属性设置 | 第38-43页 |
| 3.2.1 城市区域类型与出行需求相关性分析 | 第38-43页 |
| 3.2.2 空间和POI相关特征属性设置 | 第43页 |
| 3.3 出行需求和多源数据相关性分析 | 第43-46页 |
| 3.3.1 出行需求空间分布与路网相关性 | 第43-44页 |
| 3.3.2 出行需求与天气数据相关性 | 第44-45页 |
| 3.3.3 多源数据相关特征属性设置 | 第45-46页 |
| 3.4 本章小结 | 第46-47页 |
| 第4章 城市出行需求预测方法 | 第47-56页 |
| 4.1 概述 | 第47页 |
| 4.2 基于时间序列特性和POI特征的城市区域聚类算法 | 第47-50页 |
| 4.2.1 城市出行需求预测区域的网格划分和筛选 | 第47-48页 |
| 4.2.2 网格区域聚类合并算法 | 第48-50页 |
| 4.3 出行需求短时预测模型 | 第50-54页 |
| 4.3.1 提升模型原理 | 第50-52页 |
| 4.3.2 GBDT(Gradient Boosting Decision Tree)算法 | 第52-53页 |
| 4.3.3 XGBOOST算法 | 第53-54页 |
| 4.4 基于多源数据融合的出行需求预测模型 | 第54-55页 |
| 4.5 本章小结 | 第55-56页 |
| 第5章 出行需求预测实验与结果分析 | 第56-67页 |
| 5.1 实验环境 | 第56-57页 |
| 5.2 城市区域网格划分、筛选和聚类结果分析 | 第57-61页 |
| 5.2.1 城市区域选择和网格划分 | 第57-58页 |
| 5.2.2 城市区域网格筛选和聚类 | 第58-60页 |
| 5.2.3 聚类结果展示和分析 | 第60-61页 |
| 5.3 模型预测结果和对比试验 | 第61-66页 |
| 5.3.1 模型预测结果分析 | 第61-62页 |
| 5.3.2 模型准确性分析 | 第62-66页 |
| 5.4 本章小结 | 第66-67页 |
| 第6章 总结与展望 | 第67-69页 |
| 6.1 总结 | 第67-68页 |
| 6.2 展望 | 第68-69页 |
| 参考文献 | 第69-73页 |
| 作者简介及在学期间所取得的科研成果 | 第73-74页 |
| 致谢 | 第74页 |