基于深度学习的轨迹数据恢复研究
| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第一章 绪论 | 第11-19页 |
| 1.1 研究工作的背景与意义 | 第11-12页 |
| 1.2 国内外相关研究进展 | 第12-17页 |
| 1.3 论文的主要研究内容 | 第17-18页 |
| 1.4 论文的结构安排 | 第18-19页 |
| 第二章 相关原理及技术 | 第19-31页 |
| 2.1 神经网络概述 | 第19-24页 |
| 2.1.1 神经网络 | 第19-22页 |
| 2.1.2 深度学习 | 第22-23页 |
| 2.1.3 常用的深度学习框架 | 第23-24页 |
| 2.2 轨迹数据概述 | 第24-26页 |
| 2.2.1 轨迹数据 | 第24-25页 |
| 2.2.2 轨迹数据特征 | 第25页 |
| 2.2.3 轨迹数据预处理方法 | 第25-26页 |
| 2.3 轨迹数据模式挖掘 | 第26-28页 |
| 2.3.1 伴随模式 | 第27页 |
| 2.3.2 轨迹聚类 | 第27-28页 |
| 2.3.3 频繁模式 | 第28页 |
| 2.3.4 周期模式 | 第28页 |
| 2.4 蒙特卡罗 | 第28-30页 |
| 2.4.1 蒙特卡罗方法 | 第28-29页 |
| 2.4.2 最优的上置信区间方法UCB | 第29-30页 |
| 2.4.3 蒙特卡罗树搜索 | 第30页 |
| 2.5 本章小结 | 第30-31页 |
| 第三章 基于改进的蒙特卡罗的轨迹推荐 | 第31-42页 |
| 3.1 问题定义 | 第31-34页 |
| 3.1.1 兴趣点 | 第31页 |
| 3.1.2 轨迹 | 第31-32页 |
| 3.1.3 兴趣点的流行度 | 第32页 |
| 3.1.4 兴趣点的期待值 | 第32页 |
| 3.1.5 轨迹推荐 | 第32-34页 |
| 3.2 MCE算法 | 第34-41页 |
| 3.2.1 将蒙特卡罗树搜索应用于轨迹推荐 | 第34-35页 |
| 3.2.2 改进的蒙特卡罗树搜索算法 | 第35-38页 |
| 3.2.3 选择与扩展 | 第38-40页 |
| 3.2.4 模拟和反向传播 | 第40-41页 |
| 3.3 本章小结 | 第41-42页 |
| 第四章 基于编码器解码器的轨迹推荐 | 第42-60页 |
| 4.1 问题定义 | 第42-43页 |
| 4.1.1 轨迹点 | 第42页 |
| 4.1.2 轨迹 | 第42页 |
| 4.1.3 轨迹推荐 | 第42-43页 |
| 4.2 轨迹数据预处理 | 第43-45页 |
| 4.3 轨迹推荐算法 | 第45-59页 |
| 4.3.1 轨迹推荐算法模型 | 第45-49页 |
| 4.3.2 轨迹推荐算法模型建立步骤 | 第49-55页 |
| 4.3.3 训练过程 | 第55-56页 |
| 4.3.4 优化推荐轨迹算法 | 第56-59页 |
| 4.4 本章小结 | 第59-60页 |
| 第五章 实验结果与分析 | 第60-72页 |
| 5.1 实验数据 | 第60-61页 |
| 5.2 基于改进的蒙特卡罗轨迹推荐实验结果分析 | 第61-64页 |
| 5.2.1 基线 | 第61-62页 |
| 5.2.2 性能评估方法 | 第62-63页 |
| 5.2.3 结果分析 | 第63-64页 |
| 5.3 基于编码器解码器的轨迹推荐结果分析 | 第64-71页 |
| 5.3.1 基线 | 第64-65页 |
| 5.3.2 学习网络参数设置 | 第65-66页 |
| 5.3.3 性能评估方法 | 第66-67页 |
| 5.3.4 效率分析 | 第67页 |
| 5.3.5 结果分析 | 第67-71页 |
| 5.4 本章小结 | 第71-72页 |
| 第六章 总结与展望 | 第72-74页 |
| 致谢 | 第74-75页 |
| 参考文献 | 第75-82页 |
| 攻读硕士学位期间取得的成果 | 第82页 |
