致谢 | 第4-5页 |
摘要 | 第5-7页 |
Abstract | 第7-8页 |
1 绪论 | 第12-25页 |
1.1 研究背景与目的意义 | 第12-15页 |
1.2 国内外研究现状 | 第15-21页 |
1.2.1 社交地理大数据的研究现状 | 第15-19页 |
1.2.2 城市热点区域的探测与挖掘研究现状 | 第19-21页 |
1.3 研究内容 | 第21-24页 |
1.4 小结 | 第24-25页 |
2 热点区域研究的关键理论与方法 | 第25-44页 |
2.1 热点区域空间数据挖掘 | 第25-26页 |
2.2 基于空间统计学的ESDA热点区域探测方法 | 第26-41页 |
2.2.1 空间聚类算法 | 第28页 |
2.2.2 描述中心趋势的空间测度 | 第28-30页 |
2.2.3 描述相关性的空间测度 | 第30-34页 |
2.2.4 描述离散程度的空间测度 | 第34-35页 |
2.2.5 描述方向特征的空间测度 | 第35-37页 |
2.2.6 描述空间分布特征的测度 | 第37-39页 |
2.2.7 样方分析 | 第39-41页 |
2.3 热点区域时间序列分析 | 第41-42页 |
2.4 热点区域语义分析 | 第42-43页 |
2.5 小结 | 第43-44页 |
3 社交地理大数据的获取与处理 | 第44-60页 |
3.1 签到数据获取 | 第44-50页 |
3.1.1 基于微博API的签到数据获取 | 第44-49页 |
3.1.2 基于研究区域格网化的并行化算法 | 第49-50页 |
3.2 签到数据处理 | 第50-55页 |
3.2.1 数据预处理 | 第50-52页 |
3.2.2 时间序列数据的处理 | 第52-53页 |
3.2.3 微博数据语义信息的处理 | 第53-55页 |
3.3 签到数据的描述性统计 | 第55-58页 |
3.4 小结 | 第58-60页 |
4 空间采样与MAUP效应分析 | 第60-71页 |
4.1 空间数据的不确定性 | 第60-61页 |
4.2 空间采样 | 第61-65页 |
4.2.1 空间对象的描述方法 | 第61-62页 |
4.2.2 空间采样单元尺度的估计方法 | 第62-63页 |
4.2.3 签到数据的多时段加权地类匹配空间采样 | 第63-65页 |
4.3 空间自相关的MAUP效应 | 第65-70页 |
4.3.1 尺度效应与全局空间自相关分析 | 第66-68页 |
4.3.2 签到数据的增量空间自相关分析 | 第68-70页 |
4.4 小结 | 第70-71页 |
5 城市热点区域的探测与挖掘 | 第71-100页 |
5.1 基于ESDA方法的城市热点区域探测 | 第72-91页 |
5.1.1 全局空间模式探测 | 第72-81页 |
5.1.2 局部空间模式探测 | 第81-85页 |
5.1.3 城市热点区域中心的空间分布 | 第85-88页 |
5.1.4 城市热点区域覆盖范围探测 | 第88页 |
5.1.5 城市热点区域方向特征探测 | 第88-91页 |
5.2 基于时间序列和语义信息城市热点区域数据挖掘 | 第91-99页 |
5.2.1 城市热点区域中心时空演变 | 第91-95页 |
5.2.2 热点区域热点话题提取 | 第95-97页 |
5.2.3 热点区域内行为特征规律 | 第97-99页 |
5.3 小结 | 第99-100页 |
6 城市热点区域用户活跃度与国民经济指标相关性分析 | 第100-116页 |
6.1 基于皮尔森相关系数法的相关性分析 | 第100-104页 |
6.1.1 皮尔森相关系数模型机理 | 第100-101页 |
6.1.2 相关性分析实验结果 | 第101-104页 |
6.2 基于灰色关联度方法的相关性分析 | 第104-114页 |
6.2.1 灰色关联度法模型机理 | 第104-107页 |
6.2.2 经济指标影响因子分析 | 第107页 |
6.2.3 相关性分析实验结果 | 第107-113页 |
6.2.4 回归拟合分析 | 第113-114页 |
6.3 小结 | 第114-116页 |
7 结论与展望 | 第116-119页 |
7.1 结论 | 第116-117页 |
7.2 创新点 | 第117-118页 |
7.3 展望 | 第118-119页 |
参考文献 | 第119-127页 |
作者简历 | 第127-129页 |
学位论文数据集 | 第129-130页 |