| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 中英文缩写对照表 | 第11-12页 |
| 第1章 绪论 | 第12-20页 |
| 1.1 课题的研究背景及意义 | 第12-13页 |
| 1.2 国内外研究现状 | 第13-18页 |
| 1.2.1 船舶航迹预测研究现状 | 第13-17页 |
| 1.2.2 海量数据处理技术的研究现状 | 第17-18页 |
| 1.3 本文的主要工作 | 第18页 |
| 1.4 论文的组织架构 | 第18-20页 |
| 第2章 航迹预测模型选择和数据处理框架 | 第20-32页 |
| 2.1 航迹数据分析与预处理 | 第20-22页 |
| 2.1.1 AIS相关介绍 | 第20-21页 |
| 2.1.2 AIS数据与航迹数据 | 第21页 |
| 2.1.3 航迹数据预处理 | 第21-22页 |
| 2.2 航迹预测模型选择 | 第22-26页 |
| 2.2.1 航迹数据的特性 | 第22-23页 |
| 2.2.2 航迹预测模型比较 | 第23-26页 |
| 2.3 深度学习库Keras | 第26-27页 |
| 2.4 基于Hadoop和Spark的大数据处理平台 | 第27-31页 |
| 2.4.1 Hadoop | 第27-29页 |
| 2.4.2 Spark | 第29-31页 |
| 2.5 本章小结 | 第31-32页 |
| 第3章 WA-LSTM航迹预测模型设计 | 第32-51页 |
| 3.1 RNN神经网络和LSTM神经网络 | 第32-42页 |
| 3.1.1 RNN模型 | 第32-33页 |
| 3.1.2 RNN模型的弊端 | 第33-35页 |
| 3.1.3 LSTM模型 | 第35-36页 |
| 3.1.4 LSTM的前向计算 | 第36-39页 |
| 3.1.5 LSTM的训练算法分析 | 第39-42页 |
| 3.2 小波变换与多分辨率分析 | 第42-44页 |
| 3.2.1 小波变换基本原理 | 第42-43页 |
| 3.2.2 多分辨率分析与 Mallat 算法 | 第43-44页 |
| 3.3 基于LSTM和小波变换的WA-LSTM航迹预测模型 | 第44-49页 |
| 3.3.1 问题分析 | 第44-45页 |
| 3.3.2 基于LSTM和小波变换的航迹预测模型构建 | 第45-46页 |
| 3.3.3 WA-LSTM 模型的预测流程 | 第46-47页 |
| 3.3.4 WA-LSTM 模型参数设定 | 第47-49页 |
| 3.4 预测结果性能评价指标 | 第49-50页 |
| 3.5 本章小结 | 第50-51页 |
| 第4章 基于Spark的WA-LSTM模型并行优化 | 第51-58页 |
| 4.1 设计思想和基本框架 | 第51-52页 |
| 4.2 基于HBase的内河船舶航迹数据分布式存储 | 第52-54页 |
| 4.2.1 HBase数据存储模型分析 | 第52-53页 |
| 4.2.2 船舶航迹的HBase存储表设计 | 第53-54页 |
| 4.3 基于Spark的航迹预测模型的并行化设计 | 第54-57页 |
| 4.3.1 并行化可行性分析 | 第54-55页 |
| 4.3.2 数据并行 | 第55-57页 |
| 4.4 本章小结 | 第57-58页 |
| 第五章 实验设计分析 | 第58-76页 |
| 5.1 实验环境部署 | 第58页 |
| 5.2 航迹预测实例分析 | 第58-72页 |
| 5.2.1 研究数据的选取与预处理 | 第58-60页 |
| 5.2.2 模型参数确定 | 第60-65页 |
| 5.2.3 小波变换分解 | 第65-66页 |
| 5.2.4 模型数据准备 | 第66-67页 |
| 5.2.5 预测结果分析 | 第67-70页 |
| 5.2.6 与其它模型的对比分析 | 第70-72页 |
| 5.2.7 多步预测分析 | 第72页 |
| 5.3 并行化实验分析 | 第72-75页 |
| 5.3.1 实验设计 | 第72页 |
| 5.3.2 样本数据集 | 第72-73页 |
| 5.3.3 实验结果与分析 | 第73-75页 |
| 5.4 本章小结 | 第75-76页 |
| 第6章 总结与展望 | 第76-78页 |
| 6.1 总结 | 第76-77页 |
| 6.2 展望 | 第77-78页 |
| 致谢 | 第78-79页 |
| 参考文献 | 第79-83页 |
| 攻读硕士学位期间发表的论文与参加的科研项目 | 第83页 |
