基于深度学习的位置预测算法研究与应用
| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第一章 绪论 | 第9-14页 |
| 1.1 研究背景与意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-11页 |
| 1.3 研究内容与贡献 | 第11-13页 |
| 1.4 论文组织结构 | 第13-14页 |
| 第二章 国内外研究现状分析 | 第14-33页 |
| 2.1 位置预测相关技术概述 | 第14-19页 |
| 2.1.1 基于位置服务 | 第14-15页 |
| 2.1.2 位置大数据 | 第15-17页 |
| 2.1.3 现有算法分析 | 第17-19页 |
| 2.2 基于马尔科夫的位置预测算法 | 第19-23页 |
| 2.2.1 马尔科夫过程 | 第19-21页 |
| 2.2.2 隐马尔科夫模型 | 第21-23页 |
| 2.3 深度学习概述 | 第23-31页 |
| 2.3.1 人工神经网络 | 第23-25页 |
| 2.3.2 卷积神经网络 | 第25-26页 |
| 2.3.3 循环神经网络 | 第26-28页 |
| 2.3.4 常用激活函数 | 第28-29页 |
| 2.3.5 常用损失函数 | 第29-31页 |
| 2.4 现状分析与研究趋势 | 第31-33页 |
| 第三章 位置预测数据集 | 第33-39页 |
| 3.1 相关定义 | 第33-35页 |
| 3.2 数据集介绍 | 第35-37页 |
| 3.2.1 移动通信网络数据 | 第35-36页 |
| 3.2.2 全球定位系统数据 | 第36页 |
| 3.2.3 车牌识别设备数据 | 第36-37页 |
| 3.3 本章小结 | 第37-39页 |
| 第四章 基于深度学习的位置预测算法 | 第39-55页 |
| 4.1 问题定义与说明 | 第40-42页 |
| 4.1.1 基于历史轨迹的位置预测定义 | 第40-41页 |
| 4.1.2 车辆位置预测定义 | 第41-42页 |
| 4.2 轨迹数据预处理 | 第42-45页 |
| 4.2.1 数据采集 | 第42-44页 |
| 4.2.2 数据处理 | 第44-45页 |
| 4.3 移动对象行为分析 | 第45-46页 |
| 4.3.1 空间特征分析 | 第45页 |
| 4.3.2 时间特征分析 | 第45-46页 |
| 4.3.3 方向特征分析 | 第46页 |
| 4.3.4 车辆特征分析 | 第46页 |
| 4.4 情境影响因素分析 | 第46-47页 |
| 4.4.1 交通特征分析 | 第46-47页 |
| 4.4.2 天气特征分析 | 第47页 |
| 4.5 算法设计与实现 | 第47-53页 |
| 4.5.1 算法框架 | 第47-48页 |
| 4.5.2 卷积神经网络模块 | 第48-49页 |
| 4.5.3 深度双向 LSTM 模块 | 第49-52页 |
| 4.5.4 输出下一位置模块 | 第52-53页 |
| 4.6 算法时间复杂度分析 | 第53-54页 |
| 4.7 本章小结 | 第54-55页 |
| 第五章 实验与验证分析 | 第55-66页 |
| 5.1 实验设计 | 第55-60页 |
| 5.1.1 运行环境 | 第55-56页 |
| 5.1.2 参数介绍 | 第56-57页 |
| 5.1.3 模型优化 | 第57页 |
| 5.1.4 评测指标 | 第57-60页 |
| 5.2 对比算法分析 | 第60-61页 |
| 5.2.1 马尔科夫位置预测算法 | 第60-61页 |
| 5.2.2 其他位置预测对比算法 | 第61页 |
| 5.3 实验结果与分析讨论 | 第61-65页 |
| 5.3.1 与对比算法的比较结果 | 第61-63页 |
| 5.3.2 本算法的调参结果比较 | 第63-65页 |
| 5.4 本章小结 | 第65-66页 |
| 第六章 结论与展望 | 第66-68页 |
| 6.1 工作总结 | 第66-67页 |
| 6.2 未来工作 | 第67-68页 |
| 参考文献 | 第68-72页 |
| 在学期间研究成果 | 第72-73页 |
| 致谢 | 第73页 |
