| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第13-17页 |
| 1.1 课题的背景以及意义 | 第13-14页 |
| 1.2 国内外研究现状 | 第14-16页 |
| 1.2.1 大数据在公共交通领域的研究 | 第14页 |
| 1.2.2 出行OD算法提取 | 第14-15页 |
| 1.2.3 用户画像 | 第15-16页 |
| 1.3 论文主要研究内容 | 第16-17页 |
| 第2章 大数据平台框架与关键技术 | 第17-21页 |
| 2.1 大数据平台框架 | 第17-18页 |
| 2.2 关键技术与方法 | 第18-20页 |
| 2.2.1 关联规则 | 第18-19页 |
| 2.2.2 聚类分析 | 第19-20页 |
| 2.3 小节 | 第20-21页 |
| 第3章 公共交通大数据分析系统设计 | 第21-26页 |
| 3.1 系统需求 | 第21页 |
| 3.2 系统指标 | 第21页 |
| 3.2.1 系统计算性能 | 第21页 |
| 3.2.2 系统存储性能 | 第21页 |
| 3.2.3 系统可靠性 | 第21页 |
| 3.3 系统设计 | 第21-24页 |
| 3.3.1 总体架构 | 第21-22页 |
| 3.3.2 物理架构 | 第22-23页 |
| 3.3.3 数据分析和挖掘模块 | 第23-24页 |
| 3.4 系统界面 | 第24-25页 |
| 3.5 小节 | 第25-26页 |
| 第4章 数据预处理与城市功能区识别 | 第26-43页 |
| 4.1 数据源 | 第26-30页 |
| 4.1.1 深圳通刷卡出行数据 | 第26-27页 |
| 4.1.2 深圳公交GPS数据 | 第27-28页 |
| 4.1.3 深圳市常规交通数据 | 第28-29页 |
| 4.1.4 深圳POI数据 | 第29-30页 |
| 4.2 数据预处理 | 第30-38页 |
| 4.2.1 数据质量评估 | 第30-33页 |
| 4.2.2 数据清洗 | 第33-36页 |
| 4.2.3 出行OD算法实现 | 第36-38页 |
| 4.3 城市功能区识别 | 第38-42页 |
| 4.3.1 区域属性体系建立 | 第39-40页 |
| 4.3.2 基于TF-IDF加权算法的区域属性挖掘 | 第40-42页 |
| 4.4 小节 | 第42-43页 |
| 第5章 公共交通用户出行行为挖掘与建模 | 第43-65页 |
| 5.1 公共交通用户出行特征 | 第43-49页 |
| 5.1.1 用户出行时间 | 第44页 |
| 5.1.2 用户出行频次 | 第44-45页 |
| 5.1.3 用户出行站点 | 第45-46页 |
| 5.1.4 用户出行OD | 第46-48页 |
| 5.1.5 用户出行区域 | 第48-49页 |
| 5.2 基于层次聚类算法的用户出行站点聚类 | 第49-56页 |
| 5.2.1 用户出行站点特征提取 | 第49-50页 |
| 5.2.2 用户出行站点特征实现 | 第50-53页 |
| 5.2.3 构建用户出行站点聚类模型 | 第53-55页 |
| 5.2.4 用户出行站点聚类结果分析 | 第55-56页 |
| 5.3 基于公共交通大数据的用户出行画像 | 第56-64页 |
| 5.3.1 基于时间维度的用户出行行为特征标签 | 第57-58页 |
| 5.3.2 基于空间维度的用户出行行为特征标签 | 第58-61页 |
| 5.3.3 用户画像体系构建 | 第61-64页 |
| 5.4 小节 | 第64-65页 |
| 总结与展望 | 第65-66页 |
| 参考文献 | 第66-69页 |
| 附录A 数据清洗程序 | 第69-72页 |
| 附录B 深圳POI数据抓取程序 | 第72-77页 |
| 附录C 基于TF-IDF加权算法的区域属性挖掘程序 | 第77-80页 |
| 附录D 基于层次聚类算法的出行站点聚类程序 | 第80-82页 |
| 致谢 | 第82页 |