基于多源公共交通大数据的上海市居民出行特征研究
| 摘要 | 第4-6页 |
| Abstract | 第6-8页 |
| 第1章 绪论 | 第13-23页 |
| 1.1 研究背景与意义 | 第13-14页 |
| 1.1.1 研究背景 | 第13-14页 |
| 1.1.2 研究意义 | 第14页 |
| 1.2 国内外研究进展 | 第14-19页 |
| 1.2.1 居民出行时空特征规律研究 | 第15-16页 |
| 1.2.2 居民出行特征提取方法研究 | 第16-17页 |
| 1.2.3 多源公共交通数据的出行特征研究 | 第17-19页 |
| 1.2.4 研究现状小结 | 第19页 |
| 1.3 研究目标与研究内容 | 第19-20页 |
| 1.3.1 研究目标 | 第19-20页 |
| 1.3.2 研究内容 | 第20页 |
| 1.4 研究方法与技术路线 | 第20-22页 |
| 1.4.1 研究方法 | 第20页 |
| 1.4.2 技术路线 | 第20-22页 |
| 1.5 论文组织 | 第22-23页 |
| 第2章 大数据来源分析与预处理 | 第23-30页 |
| 2.1 研究区概况 | 第23-24页 |
| 2.2 多源公共交通数据特征与分析 | 第24-28页 |
| 2.2.1 数据来源及数据结构 | 第24-25页 |
| 2.2.2 公共交通基础数据采集 | 第25-27页 |
| 2.2.3 城市基础设施POI数据采集 | 第27-28页 |
| 2.3 多源公共交通大数据预处理和关联 | 第28-29页 |
| 2.3.1 地铁数据集提取及关联 | 第28页 |
| 2.3.2 出租车轨迹数据清洗 | 第28-29页 |
| 2.4 本章小结 | 第29-30页 |
| 第3章 居民出行行为时空特征提取 | 第30-44页 |
| 3.1 居民出行OD数据集提取 | 第30-33页 |
| 3.1.1 Hadoop分布式平台介绍 | 第30-31页 |
| 3.1.2 基于出租车轨迹数据的OD数据集提取 | 第31-32页 |
| 3.1.3 基于地铁刷卡数据的OD数据集提取 | 第32-33页 |
| 3.2 居民出行时空分布模式 | 第33-35页 |
| 3.2.1 时空数据模型 | 第33页 |
| 3.2.2 时空立方体模型概念 | 第33-35页 |
| 3.2.3 居民出行时空立方体模型构建 | 第35页 |
| 3.3 居民出行时空集聚热点分布探测 | 第35-39页 |
| 3.3.1 出行密度场生成 | 第35-37页 |
| 3.3.2 出行热点探测 | 第37页 |
| 3.3.3 出行热点信息图谱构建 | 第37-39页 |
| 3.4 区域移动模式识别 | 第39-43页 |
| 3.4.1 移动模式与区域识别研究 | 第39-40页 |
| 3.4.2 区域移动模式MZPs识别算法及实现 | 第40-43页 |
| 3.5 本章小结 | 第43-44页 |
| 第4章 居民出行时空特征分析 | 第44-81页 |
| 4.1 居民出行时空热点模式分析 | 第44-61页 |
| 4.1.1 居民出行整体特征 | 第44-47页 |
| 4.1.2 地铁出行时空热点模式 | 第47-56页 |
| 4.1.3 出租车出行时空热点模式 | 第56-61页 |
| 4.2 居民出行热点规模等级关系及方向分异特征 | 第61-72页 |
| 4.2.1 出行热点等级结构及空间分布特征 | 第61-65页 |
| 4.2.2 出行热点的方向分异特征 | 第65-70页 |
| 4.2.3 地铁与出租车出行热点的差异性特征 | 第70-72页 |
| 4.3 居民出行区域移动模式分析 | 第72-80页 |
| 4.3.1 出行区域移动模式识别 | 第72-76页 |
| 4.3.2 移动模式的重心分异特征 | 第76-79页 |
| 4.3.3 区域间交互特征 | 第79-80页 |
| 4.4 本章小结 | 第80-81页 |
| 第5章 结论与展望 | 第81-84页 |
| 5.1 主要工作及结论 | 第81-82页 |
| 5.2 研究展望 | 第82-84页 |
| 参考文献 | 第84-89页 |
| 攻读硕士学位期间科研成果 | 第89-90页 |
| 致谢 | 第90-91页 |
