| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 第1章 绪论 | 第10-19页 |
| 1.1 课题来源 | 第10页 |
| 1.2 课题背景及其意义 | 第10-12页 |
| 1.3 国内外研究与发展现状 | 第12-17页 |
| 1.3.1 基于被动式出行调查的数据采集研究现状 | 第12-14页 |
| 1.3.2 被动式出行调查的停留点识别方法研究现状 | 第14-16页 |
| 1.3.3 基于手机出行调查的特征提取研究现状 | 第16-17页 |
| 1.4 本文所做的工作 | 第17-18页 |
| 1.5 本文的组织结构 | 第18-19页 |
| 第2章 系统总体方案设计 | 第19-25页 |
| 2.1 系统需求分析 | 第19-20页 |
| 2.2 系统功能结构 | 第20-22页 |
| 2.3 系统总体架构 | 第22-24页 |
| 2.4 本章小结 | 第24-25页 |
| 第3章 基于手机的出行调查数据采集与表征 | 第25-33页 |
| 3.1 基于手机的出行数据定位与状态识别技术 | 第25-27页 |
| 3.1.1 手机定位技术概述 | 第25-26页 |
| 3.1.2 基于手机的运动状态识别技术 | 第26-27页 |
| 3.2 手机出行调查数据的采集与存储模型 | 第27-30页 |
| 3.2.1 基于手机多运动参数的出行调查数据的采集方法 | 第27-28页 |
| 3.2.2 手机出行调查数据的采集与存储结构模型 | 第28-30页 |
| 3.3 手机出行调查数据的表征与预处理 | 第30-32页 |
| 3.3.1 手机出行调查数据的表征 | 第30页 |
| 3.3.2 手机出行调查数据预处理 | 第30-32页 |
| 3.4 本章小结 | 第32-33页 |
| 第4章 基于手机多运动参数的停留点识别方法 | 第33-49页 |
| 4.1 停留点识别方法概述 | 第33-36页 |
| 4.2 基于手机多运动参数的停留点识别方法设计 | 第36-41页 |
| 4.2.1 停留点识别流程设计 | 第36-38页 |
| 4.2.2 基于加速度计的静止检测算法设计 | 第38-39页 |
| 4.2.3 基于改进的DJ-Cluster停留点识别算法 | 第39-40页 |
| 4.2.4 基于经验规则的网络定位停留点算法 | 第40-41页 |
| 4.3 基于手机多运动参数停留点识别方法实现及结果分析 | 第41-48页 |
| 4.3.1 算法实现 | 第42-44页 |
| 4.3.2 实例验证 | 第44-48页 |
| 4.4 本章小结 | 第48-49页 |
| 第5章 基于手机出行调查的出行特征提取 | 第49-66页 |
| 5.1 个人出行特征模型 | 第49-53页 |
| 5.1.1 出行有效性判断 | 第50页 |
| 5.1.2 出行距离 | 第50-51页 |
| 5.1.3 出行时长及时间分布 | 第51-52页 |
| 5.1.4 出行速度 | 第52-53页 |
| 5.2 出行热点区域发现 | 第53-58页 |
| 5.2.1 层次聚类算法概述 | 第53-55页 |
| 5.2.2 数据相似性及簇间距离度量方法 | 第55-56页 |
| 5.2.3 质心距离的AGNES热点发现算法设计 | 第56-58页 |
| 5.3 实例测试及结果分析 | 第58-65页 |
| 5.3.1 出行特征提取结果分析 | 第59-63页 |
| 5.3.2 出行特征关联因素可视化分析 | 第63-65页 |
| 5.4 本章小结 | 第65-66页 |
| 第6章 系统的设计与实现 | 第66-80页 |
| 6.1 系统开发技术框架介绍 | 第66-68页 |
| 6.2 基于UML的系统实现过程设计建模 | 第68-70页 |
| 6.3 基于手机的出行调查停留点识别及特征提取系统的实现 | 第70-79页 |
| 6.3.1 基于手机多运动参数的停留点识别方法实现 | 第72-73页 |
| 6.3.2 基于Web的出行调查过程管理及结果分析实现 | 第73-75页 |
| 6.3.3 出行热点区域发现功能实现 | 第75-77页 |
| 6.3.4 出行特征关联因素可视化分析功能实现 | 第77-79页 |
| 6.4 本章小结 | 第79-80页 |
| 第7章 总结与展望 | 第80-82页 |
| 7.1 全文总结 | 第80-81页 |
| 7.2 展望 | 第81-82页 |
| 致谢 | 第82-83页 |
| 参考文献 | 第83-86页 |
| 攻读硕士学位期间科研成果及参加的项目 | 第86页 |
