| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 符号对照表 | 第10-11页 |
| 缩略语对照表 | 第11-14页 |
| 第一章 绪论 | 第14-20页 |
| 1.1 课题研究背景与研究意义 | 第14-15页 |
| 1.2 国内外研究现状 | 第15-17页 |
| 1.2.1 国外研究现状 | 第15-16页 |
| 1.2.2 国内研究现状 | 第16-17页 |
| 1.3 论文工作内容 | 第17-18页 |
| 1.4 论文组织结构 | 第18页 |
| 1.5 本章小结 | 第18-20页 |
| 第二章 相关理论与技术 | 第20-30页 |
| 2.1 轨迹数据基础理论 | 第20-21页 |
| 2.2 射频识别技术 | 第21-22页 |
| 2.3 轨迹聚类 | 第22-25页 |
| 2.3.1 轨迹聚类概述 | 第22页 |
| 2.3.2 轨迹相似性度量 | 第22-23页 |
| 2.3.3 TRACLUS聚类算法 | 第23-25页 |
| 2.4 人工神经网络 | 第25-28页 |
| 2.4.1 人工神经网络概述 | 第25页 |
| 2.4.2 人工神经网络基本模型 | 第25-26页 |
| 2.4.3 BP神经网络 | 第26-28页 |
| 2.5 本章小结 | 第28-30页 |
| 第三章 城市交通轨迹数据挖掘概述 | 第30-36页 |
| 3.1 城市交通轨迹数据挖掘背景与目标 | 第30页 |
| 3.2 问题描述 | 第30-31页 |
| 3.3 城市交通轨迹数据挖掘整体模型 | 第31-34页 |
| 3.4 本章小结 | 第34-36页 |
| 第四章 基于聚类算法的轨迹数据处理 | 第36-48页 |
| 4.1 轨迹数据预处理 | 第36-39页 |
| 4.1.1 轨迹原始数据处理 | 第36-38页 |
| 4.1.2 轨迹路径识别 | 第38页 |
| 4.1.3 轨迹路径平滑 | 第38-39页 |
| 4.2 轨迹驻足点识别 | 第39-40页 |
| 4.3 基于TRACLUS算法的子轨迹聚类 | 第40-47页 |
| 4.3.1 轨迹分段 | 第40-44页 |
| 4.3.2 子轨迹聚类 | 第44-46页 |
| 4.3.3 热点路径检测 | 第46-47页 |
| 4.4 本章小结 | 第47-48页 |
| 第五章 基于BP神经网络的轨迹预测 | 第48-54页 |
| 5.1 基于驻足点信息的单源轨迹预测 | 第48-51页 |
| 5.1.1 下一位置预测 | 第48-49页 |
| 5.1.2 预测误差校准 | 第49-50页 |
| 5.1.3 目的地预测 | 第50-51页 |
| 5.2 基于热点路段信息的多源轨迹热点预测 | 第51-52页 |
| 5.3 本章小结 | 第52-54页 |
| 第六章 实验结果与分析 | 第54-66页 |
| 6.1 实验配置与过程 | 第54-57页 |
| 6.1.1 实验环境 | 第54页 |
| 6.1.2 实验数据集描述 | 第54-55页 |
| 6.1.3 实验过程 | 第55-57页 |
| 6.2 实验结果与分析 | 第57-63页 |
| 6.2.1 轨迹驻足点识别实验结果 | 第57页 |
| 6.2.2 轨迹分段和聚类实验结果 | 第57-59页 |
| 6.2.3 单源轨迹下一位置预测结果 | 第59-61页 |
| 6.2.4 单源轨迹目的地预测结果 | 第61-62页 |
| 6.2.5 热点路径及多源轨迹热点路径流量预测结果 | 第62-63页 |
| 6.3 本章小结 | 第63-66页 |
| 第七章 总结与展望 | 第66-68页 |
| 参考文献 | 第68-72页 |
| 致谢 | 第72-74页 |
| 作者简介 | 第74-75页 |