基于深度学习的室内时空客流预测
| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第1章 绪论 | 第12-19页 |
| 1.1 引言 | 第12页 |
| 1.2 研究背景与意义 | 第12-13页 |
| 1.3 国内外研究情况 | 第13-15页 |
| 1.4 本文工作与贡献 | 第15-17页 |
| 1.5 论文组织 | 第17-18页 |
| 1.6 本章小结 | 第18-19页 |
| 第2章 室内时空客流预测的相关技术 | 第19-40页 |
| 2.1 室内无线定位技术 | 第19-24页 |
| 2.1.1 室内传播环境 | 第20-21页 |
| 2.1.2 基于WiFi的室内定位系统 | 第21-22页 |
| 2.1.3 基于无线基础设施的室内定位系统 | 第22-24页 |
| 2.2 室内时空客流预测的基本描述 | 第24-28页 |
| 2.2.1 室内时空客流相关数据的结构 | 第24-26页 |
| 2.2.2 室内时空客流预测的基本过程 | 第26-28页 |
| 2.3 相关技术概述 | 第28-38页 |
| 2.3.1 室内时空客流数据的采集 | 第28-29页 |
| 2.3.2 室内时空客流预处理技术 | 第29-31页 |
| 2.3.3 客流预测技术的相关研究 | 第31-35页 |
| 2.3.4 深度学习相关技术 | 第35-38页 |
| 2.4 本章小结 | 第38-40页 |
| 第3章 基于机器学习的室内时空客流统计 | 第40-52页 |
| 3.1 无线信号数据的获取 | 第40-42页 |
| 3.2 基于机器学习的室内室外物体识别 | 第42-51页 |
| 3.2.1 分类器模块 | 第43-45页 |
| 3.2.2 训练数据构建 | 第45-47页 |
| 3.2.3 特征构建 | 第47-51页 |
| 3.3 本章小结 | 第51-52页 |
| 第4章 基于深度学习的室内时空客流预测方法 | 第52-62页 |
| 4.1 引言 | 第52-53页 |
| 4.2 基于深度神经网络的预测模型 | 第53-60页 |
| 4.2.1 预测模型框架 | 第53-55页 |
| 4.2.2 卷积模块 | 第55-56页 |
| 4.2.3 LSTM模块 | 第56-60页 |
| 4.3 本章小结 | 第60-62页 |
| 第5章 实验结果与分析 | 第62-74页 |
| 5.1 实验配置 | 第62-63页 |
| 5.2 数据集描述 | 第63-64页 |
| 5.3 实验结果与分析 | 第64-73页 |
| 5.3.1 室内室外物体判别结果 | 第64-67页 |
| 5.3.2 室内时空客流分布预测结果 | 第67-73页 |
| 5.4 本章小结 | 第73-74页 |
| 第6章 总结与展望 | 第74-76页 |
| 6.1 本文工作总结与贡献 | 第74-75页 |
| 6.2 未来研究工作展望 | 第75-76页 |
| 参考文献 | 第76-80页 |
| 攻读硕士学位期间的主要研究成果 | 第80-81页 |
| 致谢 | 第81页 |
