近年來隨著無線傳感器技術(shù)、通信技術(shù)和定位技術(shù)的發(fā)展,可以獲取到大量的交通OD流數(shù)據(jù)。這些交通OD流數(shù)據(jù)中蘊(yùn)含了移動(dòng)對(duì)象的通勤規(guī)律和行為模式,對(duì)其進(jìn)行模式挖掘與分析可為城市道路規(guī)劃、公共交通優(yōu)化、城市功能區(qū)劃分等提供智能的信息化服務(wù)和決策支持。關(guān)于交通OD流數(shù)據(jù)的地理空間交互研究受到國內(nèi)外學(xué)者的高度重視,并取得了大量的研究成果。然而,仍然面臨一些問題,例如由于交通OD流數(shù)據(jù)量大,結(jié)構(gòu)相對(duì)較為復(fù)雜,導(dǎo)致現(xiàn)有的挖掘算法時(shí)間復(fù)雜度高,有效性低,且很難完成基于實(shí)時(shí)交通OD流和多密度交通OD流的模式挖掘任務(wù)。此外,現(xiàn)有研究也沒有從根本上解決區(qū)域間人群移動(dòng)模式的可視化問題。本文主要基于交通OD流數(shù)據(jù)進(jìn)行區(qū)域間人群移動(dòng)模式挖掘研究,并對(duì)挖掘的結(jié)果進(jìn)行可視化分析。取得了如下研究成果:1.針對(duì)現(xiàn)有算法處理具有時(shí)空特性的交通OD流時(shí)具有時(shí)間復(fù)雜度高、有效性低的問題,提出了一種高效的具有時(shí)空特性的區(qū)域間人群移動(dòng)模式挖掘算法。基于交通OD流數(shù)據(jù),分別提出了僅有空間特性的基于密度的區(qū)域間人群移動(dòng)模式挖掘算法DBMPZ(Density-Based Movement Patterns between Zones)和具...

【文章頁數(shù)】：120 頁

【學(xué)位級(jí)別】：博士

【部分圖文】：

圖1-2上海地鐵線路圖

南京師范大學(xué)博士學(xué)位論文15圖1-2上海地鐵線路圖圖1-3展示了地鐵通勤數(shù)據(jù)集中不同行程距離比例分布。圖中的距離表示起始站點(diǎn)到達(dá)目的站點(diǎn)時(shí)，途徑地鐵站點(diǎn)的最小數(shù)量。從圖中可以發(fā)現(xiàn)，人們更傾向于近距離的通勤。超過一半乘客的通勤距離不超過10；大約90％的通勤距離小于30。通勤的最高....

圖1-3通勤距離分布圖

南京師范大學(xué)博士學(xué)位論文15圖1-2上海地鐵線路圖圖1-3展示了地鐵通勤數(shù)據(jù)集中不同行程距離比例分布。圖中的距離表示起始站點(diǎn)到達(dá)目的站點(diǎn)時(shí)，途徑地鐵站點(diǎn)的最小數(shù)量。從圖中可以發(fā)現(xiàn)，人們更傾向于近距離的通勤。超過一半乘客的通勤距離不超過10；大約90％的通勤距離小于30。通勤的最高....

圖1-4不同時(shí)間段通勤人數(shù)比率分布圖

南京師范大學(xué)博士學(xué)位論文16圖1-4不同時(shí)間段通勤人數(shù)比率分布圖(2)上海市出租車通勤數(shù)據(jù)出租車作為最常見的公共交通工具之一，包含了大量的居民出行行為信息，主要有兩個(gè)優(yōu)點(diǎn)：(1)客觀性：不同時(shí)間、不同區(qū)域的打車的乘客量表示了源區(qū)域與目的區(qū)域之間的相關(guān)性，客觀地描述了真實(shí)的居民活動(dòng)....

圖1-5百分之十的上海出租車通勤數(shù)據(jù)可視化

南京師范大學(xué)博士學(xué)位論文16圖1-4不同時(shí)間段通勤人數(shù)比率分布圖(2)上海市出租車通勤數(shù)據(jù)出租車作為最常見的公共交通工具之一，包含了大量的居民出行行為信息，主要有兩個(gè)優(yōu)點(diǎn)：(1)客觀性：不同時(shí)間、不同區(qū)域的打車的乘客量表示了源區(qū)域與目的區(qū)域之間的相關(guān)性，客觀地描述了真實(shí)的居民活動(dòng)....

本文編號(hào)：3918192