| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 第一章 绪论 | 第10-15页 |
| 1.1 课题研究背景 | 第10-11页 |
| 1.2 研究意义 | 第11页 |
| 1.3 课题完成的工作和贡献 | 第11-13页 |
| 1.4 论文章节安排 | 第13-15页 |
| 第二章 出租车目的地预测关键技术研究 | 第15-22页 |
| 2.1 基于出租车GPS轨迹的数据挖掘的相关研究 | 第15-16页 |
| 2.2 出租车目的地预测及其相关算法 | 第16-19页 |
| 2.2.1 基于概率模型的目的地预测 | 第17-19页 |
| 2.2.2 基于神经网络的目的地预测 | 第19页 |
| 2.3 目的地预测及其应用 | 第19-21页 |
| 2.4 本章小结 | 第21-22页 |
| 第三章 数据预处理 | 第22-39页 |
| 3.1 实验数据 | 第22-25页 |
| 3.1.1 训练数据 | 第22-24页 |
| 3.1.2 测试数据 | 第24页 |
| 3.1.3 训练输出 | 第24-25页 |
| 3.2 实验数据特征分析和清洗 | 第25-33页 |
| 3.2.1 训练数据GPS数据可视化 | 第25-26页 |
| 3.2.2 训练数据经纬度特征分析 | 第26-28页 |
| 3.2.3 训练数据出租车叫车类型特征分析 | 第28-29页 |
| 3.2.4 训练数据日期类型特征分析 | 第29-30页 |
| 3.2.5 训练数据丢失数据特征分析 | 第30-31页 |
| 3.2.6 训练数据时间特征分析 | 第31-32页 |
| 3.2.7 训练数据轨迹长度分析 | 第32-33页 |
| 3.2.8 城市出租车站台经纬度分析 | 第33页 |
| 3.3 数据清理方法 | 第33-34页 |
| 3.4 轨迹数据特征提取 | 第34-38页 |
| 3.4.1 基于统一轨迹长度的特征提取 | 第35-36页 |
| 3.4.2 基于转换图像数据的特征提取 | 第36-37页 |
| 3.4.3 轨迹数据特征提取实验与分析 | 第37-38页 |
| 3.5 本章小结 | 第38-39页 |
| 第四章 目的地聚类算法分析 | 第39-50页 |
| 4.1 聚类算法 | 第40-43页 |
| 4.1.1 网格聚类算法 | 第40-41页 |
| 4.1.2 k-means聚类算法 | 第41-42页 |
| 4.1.3 DBSCAN聚类算法 | 第42页 |
| 4.1.4 mean-shift聚类算法 | 第42-43页 |
| 4.2 聚类算法对比分析 | 第43-45页 |
| 4.3 聚类实验 | 第45-46页 |
| 4.4 聚类结果 | 第46-47页 |
| 4.5 目的地坐标向聚类中心映射 | 第47-48页 |
| 4.6 本章小结 | 第48-50页 |
| 第五章 目的地预期模型 | 第50-61页 |
| 5.1 预测模型简介 | 第50-56页 |
| 5.1.1 使用MLP进行目的地预测 | 第50-55页 |
| 5.1.2 使用KNN进行目的地预测 | 第55-56页 |
| 5.2 实验结果 | 第56-60页 |
| 5.2.1 实验工具 | 第56-57页 |
| 5.2.2 预测目的地精确度测量方法 | 第57-58页 |
| 5.2.3 使用图像轨迹数据构建目的地预测模型 | 第58-59页 |
| 5.2.4 使用统一长度的轨迹数据构建目的地预测模型 | 第59-60页 |
| 5.2.5 两种模型训练时间对比 | 第60页 |
| 5.3 小结 | 第60-61页 |
| 总结与展望 | 第61-63页 |
| 总结 | 第61-62页 |
| 展望 | 第62-63页 |
| 参考文献 | 第63-66页 |
| 攻读硕士学位期间取得的研究成果 | 第66-67页 |
| 致谢 | 第67页 |