基于轨迹信息的出行模式识别研究
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第9-17页 |
| 1.1 研究背景和意义 | 第9-11页 |
| 1.2 国内外研究现状 | 第11-14页 |
| 1.2.1 轨迹数据研究现状 | 第11-13页 |
| 1.2.2 排列熵属性研究现状 | 第13页 |
| 1.2.3 深度学习研究现状 | 第13-14页 |
| 1.3 主要研究内容 | 第14-17页 |
| 第二章 轨迹数据相关研究 | 第17-29页 |
| 2.1 轨迹数据挖掘 | 第17-21页 |
| 2.1.1 出行模式识别 | 第17页 |
| 2.1.2 轨迹分类 | 第17-18页 |
| 2.1.3 轨迹数据集 | 第18-21页 |
| 2.2 轨迹相关技术 | 第21-27页 |
| 2.2.1 轨迹特征提取 | 第21-22页 |
| 2.2.2 排列熵算法介绍 | 第22-23页 |
| 2.2.3 深度神经网络介绍 | 第23-27页 |
| 2.3 本章小结 | 第27-29页 |
| 第三章 轨迹数据中的排列熵 | 第29-45页 |
| 3.1 出行轨迹特征值提取方法 | 第29-38页 |
| 3.1.1 基于轨迹的排列熵属性的提取方法 | 第29-31页 |
| 3.1.2 基于轨迹的排列熵属性的优势 | 第31-38页 |
| 3.2 实验与分析 | 第38-44页 |
| 3.2.1 数据预处理 | 第38-42页 |
| 3.2.2 实验环境 | 第42页 |
| 3.2.3 排列熵与基础属性对比 | 第42-43页 |
| 3.2.4 排列熵与轨迹长度关系 | 第43-44页 |
| 3.2.5 实验结果分析 | 第44页 |
| 3.3 本章小结 | 第44-45页 |
| 第四章 基于深度神经网络的出行模式分类 | 第45-52页 |
| 4.1 深度神经网络算法描述 | 第45-47页 |
| 4.1.1 轨迹分类模型概述 | 第45-46页 |
| 4.1.2 基于深度神经网络的出行模式算法描述 | 第46-47页 |
| 4.2 实验与分析 | 第47-50页 |
| 4.2.1 实验环境与数据存储 | 第47页 |
| 4.2.2 实验分析 | 第47-49页 |
| 4.2.3 深度神经网络与其它算法对比 | 第49-50页 |
| 4.4 本章小结 | 第50-52页 |
| 第五章 轨迹分类系统的设计与实现 | 第52-60页 |
| 5.1 总体设计 | 第52-55页 |
| 5.2 系统展示 | 第55-58页 |
| 5.2.1 运行环境 | 第55页 |
| 5.2.2 数据导入 | 第55页 |
| 5.2.3 功能展示 | 第55-58页 |
| 5.3 本章小结 | 第58-60页 |
| 第六章 总结与展望 | 第60-62页 |
| 6.1 工作总结 | 第60页 |
| 6.2 研究展望 | 第60-62页 |
| 参考文献 | 第62-66页 |
| 在学期间的研究成果 | 第66-67页 |
| 致谢 | 第67页 |
