| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7-8页 |
| 1 绪论 | 第12-21页 |
| 1.1 研究背景及意义 | 第12-13页 |
| 1.2 国内外研究现状 | 第13-17页 |
| 1.2.1 旅行时间的国内外研究现状 | 第13-15页 |
| 1.2.2 图卷积神经网络的国内外研究现状 | 第15-17页 |
| 1.3 研究思路与研究内容 | 第17-20页 |
| 1.3.1 研究思路 | 第17-18页 |
| 1.3.2 研究内容与技术路线 | 第18-20页 |
| 1.4 论文结构框架 | 第20-21页 |
| 2 研究预备知识与理论 | 第21-28页 |
| 2.1 图论相关理论 | 第21-25页 |
| 2.1.1 图的构建 | 第21-22页 |
| 2.1.2 基于图的半监督学习 | 第22-24页 |
| 2.1.3 图的粗糙化 | 第24页 |
| 2.1.4 图的池化 | 第24-25页 |
| 2.2 卷积神经网络基础 | 第25-27页 |
| 2.2.1 深层神经网络 | 第25-26页 |
| 2.2.2 卷积神经网络的学习过程 | 第26-27页 |
| 2.3 本章小结 | 第27-28页 |
| 3 路网的图卷积神经网络建模与出租车轨迹处理 | 第28-47页 |
| 3.1 出租车轨迹处理与旅行时空相关性分析 | 第28-36页 |
| 3.1.1 出租车轨迹数据描述 | 第29页 |
| 3.1.2 出租车轨迹的预处理 | 第29-32页 |
| 3.1.3 旅行时间的时空相关性 | 第32-36页 |
| 3.2 路网提取与路网GCN模型初步转换 | 第36-42页 |
| 3.2.1 北京市路网结构提取 | 第37-39页 |
| 3.2.2 CNN结构与路网结构之间的转换 | 第39-42页 |
| 3.3 图卷积神经网络的频谱滤波 | 第42-46页 |
| 3.3.1 图结构的光谱过滤 | 第42-44页 |
| 3.3.2 多项式公式的快速过滤 | 第44-45页 |
| 3.3.3 滤波器的反向学习 | 第45-46页 |
| 3.4 本章总结 | 第46-47页 |
| 4 基于图卷积神经网络的旅行时间预测与分析 | 第47-71页 |
| 4.1 旅行时间的影响因素分析 | 第47-52页 |
| 4.1.1 时间因素对路网速度的影响 | 第48-50页 |
| 4.1.2 天气因素对路网速度的影响 | 第50-52页 |
| 4.2 路网旅行时间预测的GCN网络结构设计 | 第52-59页 |
| 4.2.0 模型输入与输出结构设计 | 第52-53页 |
| 4.2.1 GCN结构设计与参数调节 | 第53-56页 |
| 4.2.2 路网旅行时间预测的GCN网络正则化 | 第56-59页 |
| 4.3 GCN与其他模型的对比 | 第59-62页 |
| 4.3.1 与传统机器学习算法进行比较 | 第59-60页 |
| 4.3.2 与深层神经网络进行比较 | 第60-62页 |
| 4.4 TRIP旅行时间预测与误差分析 | 第62-69页 |
| 4.4.1 Link预测结果分析 | 第62-64页 |
| 4.4.2 TRIP旅行时间预测及误差分析 | 第64-69页 |
| 4.5 本章小结 | 第69-71页 |
| 5 基于GCN旅行时间预测模型的优化 | 第71-78页 |
| 5.1 图卷积神经网络的进一步优化 | 第71-73页 |
| 5.1.1 图卷积神经网络的快速近似 | 第71-72页 |
| 5.1.2 图卷积神经网络的半监督学习 | 第72-73页 |
| 5.2 GCN网络优化分析 | 第73-77页 |
| 5.2.1 基于半监督学习的旅行时间预测误差分析 | 第73-75页 |
| 5.2.2 基于半监督学习的旅行时间预测模型扩展性分析 | 第75-77页 |
| 5.3 本章小结 | 第77-78页 |
| 6 结论 | 第78-80页 |
| 6.1 结论与成果 | 第78-79页 |
| 6.2 研究展望 | 第79-80页 |
| 参考文献 | 第80-84页 |
| 作者简历及攻读硕士学位期间取得的研究成果 | 第84-88页 |
| 学位论文数据集 | 第88页 |