| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7-8页 |
| 1 绪论 | 第11-23页 |
| 1.1 研究背景 | 第11-13页 |
| 1.2 研究目的与意义 | 第13-14页 |
| 1.3 研究现状综述 | 第14-19页 |
| 1.3.1 地铁站内乘客交通行为特性的研究 | 第14-15页 |
| 1.3.2 基于定位数据的人群行为特性研究 | 第15-17页 |
| 1.3.3 基于交通位置数据的挖掘算法研究 | 第17-19页 |
| 1.4 研究内容与技术路线 | 第19-23页 |
| 2 地铁换乘站乘客群体行为特性分析与挖掘 | 第23-37页 |
| 2.1 地铁换乘站类型及换乘流线分析 | 第23-25页 |
| 2.2 地铁换乘站乘客群体属性特征分析 | 第25-29页 |
| 2.2.1 乘客组的属性特征 | 第25-26页 |
| 2.2.2 乘客流的属性特征 | 第26-29页 |
| 2.3 地铁换乘站乘客群体行为特性分析 | 第29-33页 |
| 2.4 地铁换乘站乘客群体行为特性挖掘流程 | 第33-35页 |
| 2.5 本章小结 | 第35-37页 |
| 3 地铁换乘站内乘客位置数据获取与处理 | 第37-53页 |
| 3.1 基于WiFi地铁定位系统模型研究 | 第37-43页 |
| 3.1.1 地铁定位系统整体框架分析 | 第37-39页 |
| 3.1.2 基于高斯过滤模型的RSSI数据处理 | 第39-40页 |
| 3.1.3 基于接收信号强度的距离估计算法 | 第40-42页 |
| 3.1.4 基于三边定位算法的位置坐标计算 | 第42-43页 |
| 3.2 换乘站内乘客位置数据分析与预处理 | 第43-51页 |
| 3.2.1 室内直角坐标信息库数据存储 | 第44-45页 |
| 3.2.2 基于数据清理技术的数据预处理 | 第45-50页 |
| 3.2.3 基于特征时段的位置数据划分 | 第50-51页 |
| 3.3 本章小结 | 第51-53页 |
| 4 地铁换乘站内乘客位置数据挖掘算法研究 | 第53-81页 |
| 4.1 空间聚类算法综合比选 | 第53-55页 |
| 4.2 传统DBSCAN算法研究 | 第55-59页 |
| 4.2.1 算法基本定义 | 第55-56页 |
| 4.2.2 算法实现步骤 | 第56-58页 |
| 4.2.3 算法优缺点分析 | 第58-59页 |
| 4.3 基于高斯混合模型的DBSCAN算法研究 | 第59-75页 |
| 4.3.1 算法补充定义 | 第59-60页 |
| 4.3.2 算法主要思想 | 第60-61页 |
| 4.3.3 算法理论依据 | 第61-64页 |
| 4.3.4 算法核心内容 | 第64-72页 |
| 4.3.5 算法实现步骤 | 第72-75页 |
| 4.4 传统及改进型DBSCAN算法实验分析 | 第75-79页 |
| 4.4.1 公开数据测试及聚类准确性对比分析 | 第75-76页 |
| 4.4.2 模拟数据测试及聚类效果对比分析 | 第76-79页 |
| 4.5 本章小结 | 第79-81页 |
| 5 地铁换乘站乘客群体行为特性研究与应用 | 第81-97页 |
| 5.1 乘客位置数据挖掘算例研究 | 第81-87页 |
| 5.1.1 算法实际应用场景描述 | 第81-82页 |
| 5.1.2 基于传统DBSCAN算法的聚类分析 | 第82-84页 |
| 5.1.3 基于改进型DBSCAN算法的聚类分析 | 第84-87页 |
| 5.2 乘客位置数据聚类结果可视化实现 | 第87-91页 |
| 5.2.1 乘客簇相关描述参数 | 第87-89页 |
| 5.2.2 数据挖掘可视化方法 | 第89-90页 |
| 5.2.3 合理映射关系构建 | 第90页 |
| 5.2.4 聚类结果可视化呈现 | 第90-91页 |
| 5.3 基于乘客位置数据挖掘结果的知识获取与实际应用 | 第91-95页 |
| 5.3.1 地铁换乘站内服务设施优化 | 第91-93页 |
| 5.3.2 地铁换乘站内乘客组织引导 | 第93-94页 |
| 5.3.3 地铁换乘站内异常客流疏散 | 第94-95页 |
| 5.4 本章小结 | 第95-97页 |
| 6 总结与展望 | 第97-99页 |
| 6.1 研究工作总结 | 第97-98页 |
| 6.2 研究不足与展望 | 第98-99页 |
| 参考文献 | 第99-103页 |
| 作者简历 | 第103-107页 |
| 学位论文数据集 | 第107页 |