文献综述（或调研报告）：
自从进入21世纪以来，智能卡数据就备受关注，国内外不少学者都对此展开了广泛的研究。从最初的理论设想，到逐步地探索过程，公交智能卡出行数据的内在价值得到了挖掘和利用。M.Bagchi等人[1]于2005年对智能卡数据的应用潜力进行了分析。他指出，使用智能卡数据可以估算出每位乘客的出行率、公交车之间的转乘率，以及推断出行比例等，这些应用方式可以为公交部门提供规划和建设的依据。
随着世界各国对智能卡数据探索的加深，有价值的研究成果也在不断地涌现。2015年，我国学者龙瀛等人[2]综合了90余篇文献资料，全面系统地对该研究方向进行了综述总结，为后来的研究人员提供了宝贵的参考价值。
1.出行行为的时空特性分析方法
在乘客出行的时空特性分析层面，针对不同的侧重点，国内外研究者采用的方法不尽相同。
Hamed Faroqi等人[3]首次以新颖的基于乘客的视角，通过设计公共交通网络的空间相似性和时间相似性的度量方法，利用澳大利亚布里斯班的公交刷卡数据研究了公共交通乘客之间的空间和时间相似性。并使用直方图，Pearson相关系数等方法对乘客之间的时空相似性进行了分析。空间相似性度量考虑出行的方向以及乘客的行程距离，时间相似性度量考虑了连续线性空间中的上下车时间。Enhui Chen等人[4]通过将智能卡数据与信息点(POI)数据相结合，来确定地铁乘客与建筑环境之间的时空关系。这项研究提出了地理加权回归(GWR)模型，以探讨地铁载客量在车站层面上的空间自相关与非平稳性。Xiaolei Ma等人[5]提出了一种高效的数据挖掘方法，对北京市公交站点的出行模式进行建模。根据智能卡交易数据的时间和空间特征来确定公交乘客的出行链。并利用基于密度的噪声空间聚类(DBSCAN)算法来识别出行链，以检测公交乘客的历史出行方式。Jiwon Kim等人[6]探讨了如何使用智能卡数据揭示公交车乘客个人和整体出行行为，引入了一种称为“粘性指数”的度量标准，以量化始终选择沿同一路线出行（高粘性）的用户，以及那些路线选择方式更加多样化（低粘性）的用户的倾向。并发现了出行粘性会在整个城市区域24小时内不断变化。
地铁乘客的出行行为时空特性以刷卡数据为载体，通常可以反映出一定的社会经济特征。在已有的研究当中，研究人员大多通过刷卡数据分析城市的客流时空特性，但鲜有叠加城市空间结构的分析。周维等人[7]探究城市范围内各类建筑开发量，将出行特性与城市土地利用相结合，得出了有效连接职住空间的地铁线路能够具有更高的运行效率，为出行特性分析及地铁线路规划提供了新思路。Zuoxian Gan等人[8]使用基于车站的平均出行距离(ATD)，提供了关于城市时空流动性模式及其与城市形态和土地利用的关系。
2.数据可视化及分析
龙瀛等人[9]将通勤时间划分为超长(超过90min)和超短(小于10min)，以此来表示极端出行时间的通勤出行分布。除此之外，还将主要通勤输出区和输入区进行划分，分别统计各区的通勤时间、距离、占比等状况。郭宗超等人[10]根据乘客居住地点和工作地点分析不同时段的流量变化情况，并绘制了流量关系视图和流量时序视图，其中，流量关系视图展示了地铁站之间的流量变化和不同乘客的出行特征，流量时序图展示了地铁流量的整体变化情况，以便于分析工作日与非工作日的流量特征。郭文露等人[11]则利用武汉市地铁刷卡数据，把乘客划分为早出、晚归、频繁出行、长时间出行等类别，并将各类人群的日均出行人次通过热力图的形式表现在地图上。
如今，基于公共汽车、地铁等公共交通工具刷卡数据的各类研究正蓬勃发展，这些研究当中主要包括了数据的处理与OD推算、交通系统运行与管理、出行行为分析、城市空间结构分析等方面。但这些研究多关注计算机角度的数据处理以及算法的设计，而利用刷卡数据进行交通规划建设的研究为数较少。另外，已有的智能卡数据研究利用的刷卡记录时长多小于一周，部分研究还处在可视化的层次，很少有利用覆盖全年的刷卡数据进行的相关研究。因此，现有研究的不足之处也正是未来需要努力的方向。
以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
