轨迹数据挖掘的方法研究
| 中文摘要 | 第4-6页 |
| abstract | 第6-7页 |
| 第一章 绪论 | 第10-15页 |
| 1.1 课题研究背景与意义 | 第10-11页 |
| 1.2 研究现状 | 第11-12页 |
| 1.2.1 轨迹缺失恢复 | 第11-12页 |
| 1.2.2 轨迹终点预测 | 第12页 |
| 1.3 本文主要工作及创新点 | 第12-13页 |
| 1.4 本文组织结构 | 第13-15页 |
| 第二章 基于LDA主题模型的电信轨迹恢复 | 第15-29页 |
| 2.1 潜在狄里克雷分配 | 第15-21页 |
| 2.1.1 LDA模型原理 | 第15-18页 |
| 2.1.2 Gibbs采样 | 第18-21页 |
| 2.2 电信轨迹缺失恢复过程 | 第21-23页 |
| 2.2.1 构造时空单词矩阵 | 第21-22页 |
| 2.2.2 划分训练集和测试集 | 第22-23页 |
| 2.2.3 基于LDA主题模型的电信轨迹恢复算法 | 第23页 |
| 2.3 实验结果分析 | 第23-28页 |
| 2.3.1 实验平台和数据 | 第23-24页 |
| 2.3.2 评价标准 | 第24页 |
| 2.3.3 模型效果和性能比较 | 第24-28页 |
| 2.4 本章小结 | 第28-29页 |
| 第三章 基于马尔可夫模型的稀疏轨迹终点预测 | 第29-43页 |
| 3.1 马尔可夫模型 | 第29-30页 |
| 3.1.1 马尔可夫链 | 第29页 |
| 3.1.2 k步转移概率 | 第29-30页 |
| 3.2 轨迹终点预测过程 | 第30-34页 |
| 3.2.1 K-dtree网格划分 | 第30-34页 |
| 3.2.2 轨迹序列生成方法 | 第34页 |
| 3.3 基于马尔可夫模型的稀疏轨迹终点预测方法 | 第34-38页 |
| 3.4 实验结果分析 | 第38-42页 |
| 3.4.1 实验平台和实验数据 | 第38-39页 |
| 3.4.2 评价标准 | 第39页 |
| 3.4.3 网格划分方法比较分析 | 第39-40页 |
| 3.4.4 模型效果和性能比较分析 | 第40-42页 |
| 3.5 本章小结 | 第42-43页 |
| 第四章 基于改进LSTM模型的轨迹终点预测 | 第43-55页 |
| 4.1 双向LSTM模型 | 第43-46页 |
| 4.1.1 循环神经网络原理 | 第43-44页 |
| 4.1.2 LSTM模型原理 | 第44-45页 |
| 4.1.3 双向LSTM模型原理 | 第45-46页 |
| 4.2 MeanShift算法原理 | 第46-48页 |
| 4.3 基于改进LSTM模型的轨迹终点预测 | 第48-50页 |
| 4.4 实验结果分析 | 第50-54页 |
| 4.4.1 参数设置 | 第50-52页 |
| 4.4.2 模型效果和性能比较 | 第52-54页 |
| 4.5 本章小结 | 第54-55页 |
| 第五章 总结与展望 | 第55-57页 |
| 5.1 论文工作总结 | 第55-56页 |
| 5.2 未来工作展望 | 第56-57页 |
| 参考文献 | 第57-64页 |
| 攻读学位期间参与科研项目和公开发表的论文 | 第64-65页 |
| 致谢 | 第65-66页 |
