高速公路用户出行行为预测方法研究
致谢 | 第4-5页 |
摘要 | 第5-6页 |
ABSTRACT | 第6-7页 |
1 引言 | 第11-19页 |
1.1 研究背景及意义 | 第11-12页 |
1.2 国内外研究现状 | 第12-15页 |
1.2.1 用户出行行为模式挖掘 | 第12-13页 |
1.2.2 用户出行次数预测 | 第13-14页 |
1.2.3 用户出行目的地预测 | 第14-15页 |
1.3 论文的研究内容和章节安排 | 第15-18页 |
1.3.1 研究内容 | 第15-17页 |
1.3.2 章节安排 | 第17-18页 |
1.4 本章小结 | 第18-19页 |
2 相关理论基础 | 第19-31页 |
2.1 时空序列概述以及相关理论 | 第19-21页 |
2.1.1 时空序列概述 | 第19-20页 |
2.1.2 时空数据挖掘 | 第20-21页 |
2.2 机器学习模型 | 第21-23页 |
2.2.1 回归模型 | 第21-22页 |
2.2.2 分类模型 | 第22-23页 |
2.3 深度神经网络 | 第23-28页 |
2.3.1 神经网络概述 | 第24-25页 |
2.3.2 自编码器 | 第25-26页 |
2.3.3 长短期记忆模型 | 第26-28页 |
2.4 注意力机制理论 | 第28-30页 |
2.5 本章小结 | 第30-31页 |
3 用户出行行为模式挖掘 | 第31-44页 |
3.1 总体思路概述 | 第31-32页 |
3.2 数据集处理 | 第32-34页 |
3.3 用户出行行为模式挖掘 | 第34-43页 |
3.3.1 用户表示学习 | 第36-37页 |
3.3.2 常驻地发现 | 第37-39页 |
3.3.3 位置语义建模 | 第39-42页 |
3.3.4 出行目的推断 | 第42-43页 |
3.4 本章小结 | 第43-44页 |
4 用户出行次数预测 | 第44-55页 |
4.1 问题定义 | 第44-45页 |
4.2 总体研究思路 | 第45-46页 |
4.3 STU-LSTM预测模型 | 第46-49页 |
4.3.1 时间表示模块 | 第46-47页 |
4.3.2 用户表示模块 | 第47-49页 |
4.3.3 出行表示模块 | 第49页 |
4.3.4 出行次数序列预测 | 第49页 |
4.4 实验设置与结果分析 | 第49-54页 |
4.4.1 实验数据集处理 | 第49-50页 |
4.4.2 基准对比方法 | 第50-51页 |
4.4.3 实验平台介绍及参数设置 | 第51-52页 |
4.4.4 实验评价指标 | 第52页 |
4.4.5 实验结果分析 | 第52-54页 |
4.5 本章小结 | 第54-55页 |
5 用户出行OD预测 | 第55-73页 |
5.1 问题定义 | 第55-56页 |
5.2 总体研究思路 | 第56-57页 |
5.3 STUAM预测模型 | 第57-62页 |
5.3.1 位置表示学习 | 第57-59页 |
5.3.2 时空表示模块 | 第59页 |
5.3.3 用户出行模式模块 | 第59-60页 |
5.3.4 用户出行OD序列预测 | 第60-62页 |
5.4 STUASM预测模型 | 第62-63页 |
5.4.1 候选OD表示 | 第62页 |
5.4.2 用户出行OD序列预测 | 第62-63页 |
5.5 实验设置与结果分析 | 第63-72页 |
5.5.1 实验数据集处理 | 第63页 |
5.5.2 基准对比方法 | 第63-64页 |
5.5.3 实验评价指标 | 第64-66页 |
5.5.4 实验结果分析 | 第66-72页 |
5.6 本章小结 | 第72-73页 |
6 结论与展望 | 第73-75页 |
6.1 全文总结 | 第73页 |
6.2 研究展望 | 第73-75页 |
参考文献 | 第75-80页 |
作者简历及攻读硕士/博士学位期间取得的研究成果 | 第80-82页 |
学位论文数据集 | 第82页 |