基于出租车时空轨迹深度学习的城市道路行程时间预测方法
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 研究背景与意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.3 本文的研究目的与主要研究内容 | 第13-14页 |
| 1.4 技术路线 | 第14-15页 |
| 1.5 本文的组织结构 | 第15-16页 |
| 第2章 深度学习理论与空间聚类方法 | 第16-31页 |
| 2.1 神经网络理论基础 | 第16-21页 |
| 2.1.1 多层感知器 | 第16-18页 |
| 2.1.2 激活函数 | 第18-20页 |
| 2.1.3 反向传播算法 | 第20-21页 |
| 2.2 循环神经网络 | 第21-25页 |
| 2.2.1 简单循环神经网络 | 第22-23页 |
| 2.2.2 长短时记忆模型 | 第23-25页 |
| 2.3 深度神经网络训练方法 | 第25-28页 |
| 2.3.1 早停法 | 第25-26页 |
| 2.3.2 ReLu函数 | 第26页 |
| 2.3.3 Dropout方法 | 第26-27页 |
| 2.3.4 归一化 | 第27-28页 |
| 2.4 空间聚类算法 | 第28-30页 |
| 2.5 本章小结 | 第30-31页 |
| 第3章 出租车时空轨迹的预处理与分析 | 第31-49页 |
| 3.1 数据介绍 | 第31页 |
| 3.2 数据预处理 | 第31-37页 |
| 3.2.1 异常轨迹点剔除 | 第32-34页 |
| 3.2.2 轨迹点地图匹配 | 第34-37页 |
| 3.3 运营与出行分析 | 第37-42页 |
| 3.3.1 运营信息分析 | 第37-39页 |
| 3.3.2 出行信息分析 | 第39-40页 |
| 3.3.3 指标联合分析 | 第40-42页 |
| 3.4 出行OD点分析 | 第42-48页 |
| 3.4.1 出行OD点时空分布 | 第42-46页 |
| 3.4.2 OD点与出行时长的时空分布 | 第46-48页 |
| 3.5 本章小结 | 第48-49页 |
| 第4章 特征处理过程与时空轨迹模型 | 第49-59页 |
| 4.1 问题定义 | 第49页 |
| 4.2 基于Geohash的词嵌入 | 第49-51页 |
| 4.2.1 Geohash编码 | 第49-50页 |
| 4.2.2 词嵌入的应用 | 第50-51页 |
| 4.3 基于聚类的泰森多边形划分 | 第51-53页 |
| 4.4 时空轨迹模型 | 第53-58页 |
| 4.4.1 样本轨迹数据设计 | 第53-55页 |
| 4.4.2 网络模型的设计与实现 | 第55-58页 |
| 4.5 本章小结 | 第58-59页 |
| 第5章 实验与分析 | 第59-68页 |
| 5.1 实验介绍 | 第59页 |
| 5.2 实验性能评价 | 第59-63页 |
| 5.2.1 精度评价指标 | 第59-60页 |
| 5.2.2 总体实验结果 | 第60-63页 |
| 5.3 测试集精度分析 | 第63-66页 |
| 5.4 对比实验分析 | 第66-67页 |
| 5.5 本章小结 | 第67-68页 |
| 总结与展望 | 第68-69页 |
| 致谢 | 第69-70页 |
| 参考文献 | 第70-77页 |
| 研究生期间参加的学术活动 | 第77页 |
