智能交通系统中位置信息的协作获取与深度挖掘
| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 第一章 绪论 | 第11-19页 |
| 1.1 课题背景与研究意义 | 第11-12页 |
| 1.1.1 研究背景 | 第11页 |
| 1.1.2 研究目的与意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-16页 |
| 1.2.1 协作定位技术研究现状 | 第12-14页 |
| 1.2.2 交通工具识别技术研究现状 | 第14-16页 |
| 1.3 论文主要工作和章节安排 | 第16-17页 |
| 1.4 本章小结 | 第17-19页 |
| 第二章 系统设计思路与方案 | 第19-29页 |
| 2.1 智能交通定位信息系统方案设计 | 第19页 |
| 2.2 协作定位平台 | 第19-22页 |
| 2.2.1 车辆运动数据的获取 | 第19-21页 |
| 2.2.2 协作定位关键技术 | 第21-22页 |
| 2.3 后台轨迹数据存储平台 | 第22-23页 |
| 2.4 轨迹数据智能挖掘平台 | 第23-27页 |
| 2.4.1 轨迹数据预处理模块 | 第23-24页 |
| 2.4.2 交通工具识别模块 | 第24-27页 |
| 2.5 本章小结 | 第27-29页 |
| 第三章 地理位置信息增强的车联网协作定位 | 第29-47页 |
| 3.1 车联网协作定位问题建模 | 第29-30页 |
| 3.2 基于地理位置信息的区域采样法 | 第30-35页 |
| 3.2.1 基于R树的地理位置信息存储 | 第30-33页 |
| 3.2.2 区域采样法计算视距路径概率 | 第33-35页 |
| 3.3 EGAMP协作定位 | 第35-38页 |
| 3.3.1 GAMP算法 | 第35-36页 |
| 3.3.2 EGAMP协作定位 | 第36-38页 |
| 3.4 迭代式EGAMP协作定位 | 第38-39页 |
| 3.5 实验结果分析 | 第39-45页 |
| 3.5.1 GIE-CL实验仿真结果 | 第39-42页 |
| 3.5.2 GIE-CL实测数据结果 | 第42-45页 |
| 3.6 本章小结 | 第45-47页 |
| 第四章 基于循环神经网络的轨迹交通工具识别 | 第47-61页 |
| 4.1 交通工具识别的基本描述 | 第47-48页 |
| 4.2 基于循环神经网络的轨迹交通工具识别 | 第48-56页 |
| 4.2.1 整体分析与建模 | 第49-51页 |
| 4.2.2 识别模型框架 | 第51-54页 |
| 4.2.3 LSTM模块 | 第54-56页 |
| 4.3 实验结果分析 | 第56-60页 |
| 4.3.1 数据集介绍 | 第56-57页 |
| 4.3.2 评价标准 | 第57页 |
| 4.3.3 仿真实验结果分析 | 第57-59页 |
| 4.3.4 实测实验结果分析 | 第59-60页 |
| 4.4 本章小结 | 第60-61页 |
| 第五章 总结与展望 | 第61-63页 |
| 5.1 本文主要工作与贡献 | 第61页 |
| 5.2 未来研究工作展望 | 第61-63页 |
| 参考文献 | 第63-66页 |
| 致谢 | 第66-67页 |
| 攻读学位期间取得的研究成果 | 第67页 |
