**章 建成環境行為采集分析背景意義 1.1 數字化建成環境行為數據的定義 1.1.1 建成環境數據 1.1.2 用戶行為 1.2 建成環境行為數據研究的意義 1.2.1 建筑節能 1.2.2 提升舒適性 1.2.3 提升安全性 1.3 基本技術流程 1.3.1 數據采集 1.3.2 數據預處理 1.3.3 數據統計 1.3.4 數據可視化 1.3.5 知識發現 第二章 數字化采集技術手段 2.1 無線傳感網絡技術 2.2 超寬帶室內定位 2.2.1 UWB特性 2.2.2 UWB測距方式 2.2.3 UWB定位與空間類型 2.3 Wi-Fi探針街區定位 2.3.1 Wi-Fi探針的基本原理、優勢及缺陷 2.3.2 探針系統的架構及優化設計 2.4 虛擬漫游技術 2.4.1 虛擬漫游技術的適用場景 2.4.2 虛擬漫游技術的獲取方式和類型 第三章 數據管理統計工具 3.1 數據庫基本概念 3.2 數據存儲形式 3.2.1 MongoDB簡介 3.2.2 數據庫基礎操作 3.2.3 數據處理-聚合操作 3.2.4 可視化工具MongoDB Compass 3.3 使用Pandas庫進行數據處理 3.3.1 數據結構 3.3.2 文件操作 3.3.3 查看數據 3.3.4 索引和選取數據 3.3.5 缺失值處理 3.3.6 應用函數(apply) 3.3.7 合并 3.3.8 聚合(group by) 3.3.9 時間數據的相關操作 3.4 數據清理 3.4.1 清理異常MAC地址 3.4.2 清理組播MAC地址和偽MAC地址 3.4.3 清理帶有Wi—Fi功能的智能家居等設備 3.4.4 清理居家數據 3.4.5 轉換RSSI值 第四章 數據可視化 4.1 可視化工具Matplotlib簡介 4.1.1 安裝和使用 4.1.2 繪圖接口 4.1.3 基本繪圖流程 4.1.4 基礎語法 4.1.5 常用圖表 4.1.6 圖像展示在web頁面 4.2 時間維度 4.2.1 各時點平均人數變化折線圖 4.2.2 探針各時段數據量雷達圖 4.3 空間維度 4.3.1 各探針總數據量與MAC地址數統計圖 4.3.2 各探針區域平均停留時長 4.4 行為軌跡 4.4.1 逐日區分MAC地址 4.4.2 軌跡還原 4.4.3 基于Matplotlib的軌跡繪制 4.4.4 疊合軌跡 4.4.5 軌跡熱力圖 第五章 數據挖掘算法 5.1 軌跡聚類算法 5.1.1 神經網絡降維 5.1.2 降維后數據聚類 5.1.3 行動軌跡聚類及特征分析 5.2 序列模式挖掘 5.2.1 序列模式算法 5.2.2 環境行為數據的轉換 5.2.3 頻繁片段的可視化 第六章 環境行為研究案例 6.1 室內無線傳感網絡 6.1.1 研究背景 6.1.2 系統構成介紹 6.1.3 運行流程 6.1.4 應用測試 6.2 圖書管閱覽室 6.2.1 研究背景 6.2.2 數據采集環境與方法 6.2.3 數據可視化與統計分析 6.2.4 問題分析與設計優化 6.2.5 項目總結 6.3 西望村公共空間優化 6.3.1 研究背景 6.3.2 Wi-Fi探針定位技術 6.3.3 數據處理與分析 6.3.4 公共空間優化策略 6.3.5 項目總結 6.4 芳溪村公共空間優化 6.4.1 項目背景 6.4.2 研究方法 6.4.3 數據分析 6.4.4 公共空間優化策略 6.4.5 項目總結 6.5 馬臺街城市設計方案優化 6.5.1 項目背景 6.5.2 基于VR的數據采集系統 6.5.3 數據分析結論 6.5.4 項目總結 6.6 大倉村公共空間優化設計 6.6.1 項目背景 6.6.2 數據采集 6.6.3 數據分析 6.6.4 數據分析結論 6.6.5 項目總結 參考文獻 致謝