基于度量学习的轨迹聚类研究
| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 第一章 绪论 | 第9-19页 |
| 1.1 研究背景与意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-16页 |
| 1.2.1 轨迹聚类技术 | 第10-14页 |
| 1.2.2 异常轨迹检测 | 第14-16页 |
| 1.3 本文的主要研究内容以及创新 | 第16-17页 |
| 1.3.1 研究内容 | 第16-17页 |
| 1.3.2 研究创新 | 第17页 |
| 1.4 本论文的结构安排 | 第17-19页 |
| 第二章 相关概念与技术 | 第19-34页 |
| 2.1 轨迹数据挖掘 | 第19-29页 |
| 2.1.1 轨迹数据 | 第19-21页 |
| 2.1.2 轨迹距离度量 | 第21-23页 |
| 2.1.3 轨迹的表征 | 第23-26页 |
| 2.1.4 轨迹聚类 | 第26-27页 |
| 2.1.5 异常轨迹检测 | 第27-29页 |
| 2.2 度量学习 | 第29-33页 |
| 2.2.1 有监督的度量学习 | 第30-32页 |
| 2.2.2 无监督的度量学习 | 第32-33页 |
| 2.3 本章小结 | 第33-34页 |
| 第三章 基于度量学习的轨迹聚类算法 | 第34-54页 |
| 3.1 算法整体框架 | 第34-45页 |
| 3.1.1 轨迹初始相似性 | 第35-39页 |
| 3.1.2 轨迹图谱聚类 | 第39-43页 |
| 3.1.3 轨迹特征度量学习 | 第43-44页 |
| 3.1.4 算法损失函数 | 第44-45页 |
| 3.1.5 整体算法 | 第45页 |
| 3.2 实验论证 | 第45-52页 |
| 3.2.1 实验设置 | 第45-47页 |
| 3.2.2 人工数据集 | 第47-48页 |
| 3.2.3 卡车轨迹数据集 | 第48-50页 |
| 3.2.4 收敛性分析 | 第50-51页 |
| 3.2.5 算法效率分析 | 第51-52页 |
| 3.2.6 参数敏感性分析 | 第52页 |
| 3.3 本章小结 | 第52-54页 |
| 第四章 基于聚类的异常轨迹检测方法 | 第54-70页 |
| 4.1 问题定义 | 第54-58页 |
| 4.2 检测算法 | 第58-62页 |
| 4.2.1 轨迹的特征提取 | 第58-59页 |
| 4.2.2 DBSCAN聚类 | 第59-60页 |
| 4.2.3 基于密度估计的异常点评分 | 第60-62页 |
| 4.2.4 整体算法 | 第62页 |
| 4.3 实验论证 | 第62-68页 |
| 4.3.1 实验环境 | 第62-64页 |
| 4.3.2 真实数据集描述 | 第64页 |
| 4.3.3 轨迹相似性度量 | 第64-66页 |
| 4.3.4 全局异常轨迹检测 | 第66-67页 |
| 4.3.5 与LOF算法对比 | 第67-68页 |
| 4.3.6 运行效率分析 | 第68页 |
| 4.4 本章小结 | 第68-70页 |
| 第五章 全文总结与展望 | 第70-72页 |
| 5.1 全文总结 | 第70页 |
| 5.2 后续工作展望 | 第70-72页 |
| 致谢 | 第72-73页 |
| 参考文献 | 第73-82页 |
| 攻硕期间取得的研究成果 | 第82页 |
