| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第8-13页 |
| 1.1 研究背景及意义 | 第8-9页 |
| 1.2 研究现状 | 第9-11页 |
| 1.3 论文的特色与创新点 | 第11页 |
| 1.4 论文结构 | 第11-13页 |
| 第二章 文献综述 | 第13-19页 |
| 2.1 时空数据的表示 | 第13页 |
| 2.2 空间维度的异常值检测 | 第13-14页 |
| 2.3 时间序列数据的特征 | 第14-15页 |
| 2.4 异常值检测方法的分类 | 第15-19页 |
| 2.4.1 基于统计的异常值检测方法 | 第15-16页 |
| 2.4.2 基于邻近性的异常值检测方法 | 第16-17页 |
| 2.4.3 基于可视化的异常值检测方法 | 第17页 |
| 2.4.4 基于分类的异常值检测方法 | 第17-18页 |
| 2.4.5 基于聚类的异常值检测方法 | 第18-19页 |
| 第三章 基于局部高斯过程回归的时空数据异常点识别模型 | 第19-31页 |
| 3.1 高斯过程回归模型 | 第19-22页 |
| 3.1.1 无噪音预测 | 第19-20页 |
| 3.1.2 有噪音预测 | 第20-21页 |
| 3.1.3 协方差函数 | 第21-22页 |
| 3.2 基于局部高斯过程回归模型的时空数据预测模型 | 第22-29页 |
| 3.2.1 时空数据格式说明 | 第22页 |
| 3.2.2 空间邻域识别 | 第22-24页 |
| 3.2.3 时空数据局部高斯过程回归预测模型 | 第24-26页 |
| 3.2.4 局部高斯过程回归预测模型参数优化 | 第26-28页 |
| 3.2.5 时空数据局部高斯过程回归预测模型的特点 | 第28-29页 |
| 3.3 时空数据异常点识别方法 | 第29-31页 |
| 第四章 时空数据异常点识别仿真实验研究 | 第31-53页 |
| 4.1 数据生成 | 第31-32页 |
| 4.2 模型效果评价指标 | 第32-33页 |
| 4.3 实验一:基于网格分布的数据源和具有区隔边界的模式变化 | 第33-39页 |
| 4.4 实验二:基于网格分布的数据源和无边界的模式变化 | 第39-46页 |
| 4.5 实验三:基于随机分布的数据源和无边界的模式变化 | 第46-53页 |
| 第五章 结论与展望 | 第53-55页 |
| 参考文献 | 第55-58页 |
| 致谢 | 第58-59页 |
| 攻读学位期间发表的学术论文目录 | 第59页 |
