基于无监督学习技术的位置大数据分析
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第9-13页 |
| 1.1 研究背景与意义 | 第9页 |
| 1.2 研究现状 | 第9-11页 |
| 1.2.1 位置大数据研究现状 | 第9-10页 |
| 1.2.2 无监督学习方法研究现状 | 第10-11页 |
| 1.3 论文的组织结构 | 第11-13页 |
| 第二章 相关概念 | 第13-20页 |
| 2.1 基于GPS轨迹相关知识 | 第13-15页 |
| 2.2 聚类方法介绍 | 第15-17页 |
| 2.3 K均值聚类算法 | 第17-18页 |
| 2.4 DBSCAN聚类算法 | 第18-20页 |
| 第三章 基于出租车轨迹数据的分析 | 第20-37页 |
| 3.1 轨迹数据介绍 | 第20-26页 |
| 3.1.1 数据的来源及结构 | 第21-22页 |
| 3.1.2 轨迹数据预处理 | 第22-23页 |
| 3.1.3 出行起止点的识别及结果 | 第23-26页 |
| 3.2 出行高峰时段分析 | 第26-28页 |
| 3.3 时空分布特征分析 | 第28-30页 |
| 3.3.1 基于上车点的交通小区交通量 | 第28页 |
| 3.3.2 基于下车点的交通小区交通量 | 第28-29页 |
| 3.3.3 OD时空分布 | 第29-30页 |
| 3.4 最容易打车的路段实验 | 第30-32页 |
| 3.5 居民出行热点区域分析实验 | 第32-35页 |
| 3.6 本章小结 | 第35-37页 |
| 第四章 基于深度学习的出行方式识别 | 第37-60页 |
| 4.1 研究概述 | 第37页 |
| 4.2 模式识别中分类算法的研究 | 第37-40页 |
| 4.2.1 深度学习的引入 | 第37-38页 |
| 4.2.2 模式识别中分类算法 | 第38-40页 |
| 4.3 基于无监督学习的深度学习网络 | 第40-51页 |
| 4.3.1 基于受限玻尔兹曼机的无监督学习 | 第40-47页 |
| 4.3.1.1 RBM能量模型 | 第40-43页 |
| 4.3.1.2 基于对比散度的RBM快速学习算法 | 第43-46页 |
| 4.3.1.3 RBM模型的的评估 | 第46-47页 |
| 4.3.2 深度信念网络 | 第47-50页 |
| 4.3.3 评估指标的度量 | 第50-51页 |
| 4.4 出行方式识别实验 | 第51-59页 |
| 4.4.1 轨迹数据集介绍 | 第51页 |
| 4.4.2 轨迹段的特征量提取 | 第51-52页 |
| 4.4.3 基于深度学习的出行方式识别模型 | 第52-54页 |
| 4.4.4 实验与结果分析 | 第54-59页 |
| 4.5 本章小结 | 第59-60页 |
| 第五章 总结与展望 | 第60-62页 |
| 5.1 论文总结 | 第60页 |
| 5.2 后期工作与展望 | 第60-62页 |
| 参考文献 | 第62-67页 |
| 攻读学位期间的研究成果 | 第67-68页 |
| 致谢 | 第68页 |
