基于循环神经网络的轨迹位置预测技术研究
| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 课题背景与研究意义 | 第10-11页 |
| 1.2 国内外位置预测研究情况 | 第11-13页 |
| 1.3 本文工作与贡献 | 第13-14页 |
| 1.4 论文结构 | 第14-15页 |
| 1.5 本章小结 | 第15-16页 |
| 第2章 位置预测的相关技术 | 第16-31页 |
| 2.1 位置预测的基本描述 | 第16-19页 |
| 2.1.1 轨迹数据的语义结构 | 第16-18页 |
| 2.1.2 轨迹预测的基本过程 | 第18-19页 |
| 2.2 相关技术概述 | 第19-30页 |
| 2.2.1 轨迹数据的获取 | 第19-20页 |
| 2.2.2 轨迹数据预处理技术 | 第20-22页 |
| 2.2.3 驻足点提取技术 | 第22-25页 |
| 2.2.4 位置预测技术 | 第25-27页 |
| 2.2.5 深度学习相关技术 | 第27-30页 |
| 2.3 本章小结 | 第30-31页 |
| 第3章 问题描述和算法流程 | 第31-35页 |
| 3.1 基于历史轨迹的位置预测定义 | 第31-32页 |
| 3.2 本文位置预测的算法流程 | 第32-34页 |
| 3.3 本章小结 | 第34-35页 |
| 第4章 基于多级聚类算法的重要位置提取 | 第35-47页 |
| 4.1 轨迹数据的预处理 | 第35-36页 |
| 4.1.1 启发式的异常值检测 | 第35-36页 |
| 4.2 基于区域一致性扩展的驻足点提取方法 | 第36-43页 |
| 4.3 基于DBSCAN的重要位置提取方法 | 第43-46页 |
| 4.4 本章小结 | 第46-47页 |
| 第5章 基于循环神经网络的位置预测方法 | 第47-57页 |
| 5.1 引言 | 第47-48页 |
| 5.2 基于循环神经网络轨迹位置预测模型 | 第48-56页 |
| 5.2.1 预测模型框架 | 第49-52页 |
| 5.2.2 下一个位置的预测 | 第52-53页 |
| 5.2.3 LSTM模块 | 第53-56页 |
| 5.3 本章小结 | 第56-57页 |
| 第6章 实验结果及分析 | 第57-68页 |
| 6.1 实验配置 | 第57-58页 |
| 6.1.1 运行环境 | 第57页 |
| 6.1.2 数据集描述 | 第57-58页 |
| 6.2 实验结果与分析 | 第58-66页 |
| 6.2.1 重要位置提取结果 | 第58-62页 |
| 6.2.2 下一个位置预测结果 | 第62-64页 |
| 6.2.3 模型实验结果对比 | 第64-66页 |
| 6.3 本章小结 | 第66-68页 |
| 第7章 总结与展望 | 第68-70页 |
| 7.1 本文主要工作与贡献 | 第68页 |
| 7.2 未来研究工作展望 | 第68-70页 |
| 参考文献 | 第70-74页 |
| 致谢 | 第74页 |
