| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 第1章 绪论 | 第14-22页 |
| 1.1 研究背景及意义 | 第14-15页 |
| 1.1.1 研究背景 | 第14-15页 |
| 1.1.2 研究意义 | 第15页 |
| 1.2 国内外研究现状 | 第15-20页 |
| 1.2.1 用户出行行为分析相关研究 | 第15-16页 |
| 1.2.2 用户出行行为预测及其相关算法 | 第16-19页 |
| 1.2.3 研究现状总结 | 第19-20页 |
| 1.3 研究内容 | 第20页 |
| 1.4 论文创新点 | 第20-21页 |
| 1.5 论文结构 | 第21-22页 |
| 第2章 私家车拼车出行系统及相关技术 | 第22-34页 |
| 2.1 私家车拼车出行系统 | 第22-25页 |
| 2.1.1 私家车拼车出行系统需求 | 第22页 |
| 2.1.2 私家车拼车出行系统框架 | 第22-24页 |
| 2.1.3 私家车拼车出行系统功能模块 | 第24-25页 |
| 2.2 私家车用户出行行为分析及预测方法 | 第25-29页 |
| 2.2.1 互信息 | 第25页 |
| 2.2.2 K-Means聚类 | 第25-26页 |
| 2.2.3 朴素贝叶斯 | 第26-27页 |
| 2.2.4 随机森林 | 第27-29页 |
| 2.3 分类器评价方法 | 第29-30页 |
| 2.4 研究框架 | 第30-32页 |
| 2.5 本章小结 | 第32-34页 |
| 第3章 基于数据挖掘方法的用户出发时间预测 | 第34-52页 |
| 3.1 引言 | 第34页 |
| 3.2 数据集 | 第34-36页 |
| 3.3 数据预处理 | 第36-41页 |
| 3.3.1 数据清洗 | 第37-38页 |
| 3.3.2 用户行程OD提取 | 第38-41页 |
| 3.4 构建基于数据挖掘方法的用户出发时间预测模型 | 第41-46页 |
| 3.4.1 用户出行时间分布的特征分析 | 第41-43页 |
| 3.4.2 基于K-Means的时间转换算法 | 第43-45页 |
| 3.4.3 构建基于随机森林的出发时间预测模型 | 第45-46页 |
| 3.5 实验及结果分析 | 第46-50页 |
| 3.5.1 数据概述 | 第46-48页 |
| 3.5.2 模型调参 | 第48页 |
| 3.5.3 模型评估 | 第48-49页 |
| 3.5.4 结果分析 | 第49-50页 |
| 3.6 本章小结 | 第50-52页 |
| 第4章 基于随机森林的用户出行目的地预测 | 第52-70页 |
| 4.1 引言 | 第52页 |
| 4.2 用户出行空间及出行规律分析 | 第52-62页 |
| 4.2.1 基于交通小区的地点转换 | 第52-54页 |
| 4.2.2 用户出行空间分布的特征分析 | 第54-59页 |
| 4.2.3 结合时间和空间维度的出行规律特征分析 | 第59-62页 |
| 4.3 构建基于随机森林的用户出行目的地预测模型 | 第62-63页 |
| 4.4 实验及结果分析 | 第63-68页 |
| 4.4.1 数据概述 | 第63页 |
| 4.4.2 模型调参 | 第63-64页 |
| 4.4.3 模型评估 | 第64页 |
| 4.4.4 结果分析 | 第64-68页 |
| 4.5 本章小结 | 第68-70页 |
| 第5章 用户出行行为预测系统实现与集成 | 第70-84页 |
| 5.1 用户出行行为预测系统设计 | 第70-76页 |
| 5.1.1 系统需求分析 | 第70页 |
| 5.1.2 系统功能分析 | 第70-72页 |
| 5.1.3 系统总体架构 | 第72-73页 |
| 5.1.4 系统数据库设计 | 第73-76页 |
| 5.2 用户出行行为预测系统实现与集成 | 第76-82页 |
| 5.2.1 硬件环境 | 第76页 |
| 5.2.2 系统环境 | 第76-78页 |
| 5.2.3 系统应用主要流程 | 第78-79页 |
| 5.2.4 界面设计 | 第79-82页 |
| 5.3 本章小结 | 第82-84页 |
| 第6章 结论与展望 | 第84-86页 |
| 6.1 研究结论 | 第84-85页 |
| 6.2 研究展望 | 第85-86页 |
| 参考文献 | 第86-90页 |
| 作者简介 | 第90-92页 |
| 致谢 | 第92页 |