基于时空轨迹表征的小簇人群提取模型研究
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第12-18页 |
| 1.1 课题背景 | 第12-14页 |
| 1.2 相关研究现状 | 第14-16页 |
| 1.2.1 国内外研究现状 | 第14-15页 |
| 1.2.2 重点人员排查相关研究现状 | 第15-16页 |
| 1.3 研究内容与组织结构 | 第16-18页 |
| 第2章 相关理论概述 | 第18-38页 |
| 2.1 轨迹分类 | 第18-31页 |
| 2.1.1 时空轨迹数据 | 第19-21页 |
| 2.1.2 用户分类问题普遍定义 | 第21-23页 |
| 2.1.3 轨迹预处理与特征提取 | 第23-25页 |
| 2.1.4 传统轨迹分类方法 | 第25-31页 |
| 2.1.4.1 基于轨迹运动特征提取的分类方法 | 第25-26页 |
| 2.1.4.2 基于规则的分类方法 | 第26-28页 |
| 2.1.4.3 基于图像信号的分类方法 | 第28-31页 |
| 2.2 时空模式挖掘 | 第31-33页 |
| 2.2.1 移动模式挖掘 | 第32页 |
| 2.2.2 行为理解 | 第32-33页 |
| 2.3 深度学习与Graph Embedding | 第33-36页 |
| 2.3.1 深度学习 | 第33-34页 |
| 2.3.2 Graph Embedding | 第34-36页 |
| 2.4 本章小结 | 第36-38页 |
| 第3章 时空场景表征分类模型设计 | 第38-52页 |
| 3.1 问题描述 | 第38-40页 |
| 3.2 具体问题定义 | 第40-44页 |
| 3.3 场景语义选择策略 | 第44-45页 |
| 3.4 模型1:基于轨迹表征的场景模型 | 第45-47页 |
| 3.5 模型2:基于动态图元的场景模型 | 第47-50页 |
| 3.6 用户识别框架 | 第50-51页 |
| 3.7 本章小结 | 第51-52页 |
| 第4章 数据采集与实验 | 第52-72页 |
| 4.1 WiFi探针技术 | 第52-56页 |
| 4.1.1 WiFi探针技术 | 第53-54页 |
| 4.1.2 实施难点问题讨论 | 第54-56页 |
| 4.2 数据清洗流程 | 第56-57页 |
| 4.3 数据集与环境 | 第57-58页 |
| 4.4 案例1:基于城市特殊地点的场景 | 第58-61页 |
| 4.5 案例2:基于用户历史偏好点的场景 | 第61-62页 |
| 4.6 分类实验 | 第62-70页 |
| 4.6.1 基于偏好点场景对人群分类 | 第67-68页 |
| 4.6.2 基于特殊点场景对人群分类 | 第68-69页 |
| 4.6.3 基于所有点对人群分类 | 第69-70页 |
| 4.7 问题讨论 | 第70-71页 |
| 4.8 本章小结 | 第71-72页 |
| 第5章 原型系统展示 | 第72-77页 |
| 5.1 平台框架展示 | 第72-74页 |
| 5.2 指定人员的活动轨迹 | 第74-75页 |
| 5.3 重点场所数据采集点分布 | 第75页 |
| 5.4 人员检测结果 | 第75-76页 |
| 5.5 本章小结 | 第76-77页 |
| 第6章 总结与展望 | 第77-80页 |
| 6.1 本文工作总结 | 第77-78页 |
| 6.2 未来研究展望 | 第78-80页 |
| 参考文献 | 第80-88页 |
| 攻读硕士学位期间主要的研究成果 | 第88-89页 |
| 致谢 | 第89-90页 |
