基于深度学习的车辆轨迹特征识别与分析
| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 第一章 绪论 | 第9-13页 |
| 1.1 课题研究背景 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-11页 |
| 1.3 论文内容及结构安排 | 第11-13页 |
| 第二章 驾驶行为特性分析方法 | 第13-33页 |
| 2.1 驾驶行为特性分析基础 | 第13-18页 |
| 2.1.1 相关术语定义 | 第13-15页 |
| 2.1.2 驾驶行为特性影响因素 | 第15-16页 |
| 2.1.3 研究数据来源 | 第16-18页 |
| 2.2 国内外研究分析 | 第18-23页 |
| 2.2.1 基于规则的分类算法 | 第19-20页 |
| 2.2.2 基于数据的分类算法 | 第20-22页 |
| 2.2.3 国内外研究现状评述 | 第22-23页 |
| 2.3 基于车辆轨迹的驾驶安全分析方法 | 第23-32页 |
| 2.3.1 原始轨迹数据预处理 | 第23-27页 |
| 2.3.2 基于K-均值聚类的轨迹分类算法 | 第27-29页 |
| 2.3.3 基于BP神经网络轨迹分类算法 | 第29-31页 |
| 2.3.4 方法评估 | 第31-32页 |
| 2.4 本章小结 | 第32-33页 |
| 第三章 基于深度学习的驾驶行为特性分析方法 | 第33-49页 |
| 3.1 引言 | 第33-34页 |
| 3.2 基于卷积神经网络的驾驶安全特性分类方法 | 第34-39页 |
| 3.2.1 卫星定位轨迹数据预处理 | 第34-36页 |
| 3.2.2 卷积神经网络模型结构 | 第36-39页 |
| 3.2.3 轨迹分类结果组合方案 | 第39页 |
| 3.3 实验与结果分析 | 第39-48页 |
| 3.3.1 评价指标 | 第40-41页 |
| 3.3.2 训练过程 | 第41-43页 |
| 3.3.3 实验结果分析 | 第43-45页 |
| 3.3.4 与其他方案对比 | 第45-48页 |
| 3.4 本章小结 | 第48-49页 |
| 第四章 基于深度半监督的驾驶安全特性分类方法 | 第49-62页 |
| 4.1 引言 | 第49-50页 |
| 4.2 深度半监督卷积神经网络轨迹分类方法 | 第50-54页 |
| 4.2.1 卷积-反卷积自动编码器 | 第51-52页 |
| 4.2.2 卷积神经网络分类器 | 第52页 |
| 4.2.3 两阶段模型训练方法 | 第52-54页 |
| 4.3 实验结果与分析 | 第54-61页 |
| 4.3.1 模型训练过程 | 第54-56页 |
| 4.3.2 模型验证与分析 | 第56-58页 |
| 4.3.3 与其他方案对比 | 第58-61页 |
| 4.4 本章小结 | 第61-62页 |
| 第五章 基于换道轨迹的驾驶行为安全性分析 | 第62-79页 |
| 5.1 引言 | 第62-64页 |
| 5.2 基于多通道换道轨迹的驾驶安全评估方法 | 第64-75页 |
| 5.2.1 换道轨迹提取 | 第64-68页 |
| 5.2.2 特征样本构造 | 第68-74页 |
| 5.2.3 网络结构构建 | 第74-75页 |
| 5.3 实验结果与分析 | 第75-78页 |
| 5.3.1 模型验证与分析 | 第75-77页 |
| 5.3.2 与其他方案对比 | 第77-78页 |
| 5.4 本章小结 | 第78-79页 |
| 第六章 总结与展望 | 第79-81页 |
| 6.1 总结 | 第79-80页 |
| 6.2 展望 | 第80-81页 |
| 参考文献 | 第81-86页 |
| 附录1 攻读硕士学位期间撰写的论文 | 第86-87页 |
| 附录2 攻读硕士学位期间申请的专利 | 第87-88页 |
| 附录3 攻读硕士学位期间参加的科研项目 | 第88-89页 |
| 致谢 | 第89页 |
