基于多维赋权图模型的车辆需求预测分析
| 摘要 | 第3-4页 |
| ABSTRACT | 第4页 |
| 第1章 绪论 | 第7-13页 |
| 1.1 课题背景 | 第7-10页 |
| 1.2 研究目标和主要内容 | 第10-11页 |
| 1.3 论文组织结构 | 第11-13页 |
| 第2章 相关研究综述 | 第13-19页 |
| 2.1 语义网下的多维赋权图 | 第13-14页 |
| 2.2 海量RDF图数据理当前现状 | 第14页 |
| 2.3 赋权图领域的研究现状 | 第14-17页 |
| 2.3.1 关于赋权图最短路径的研究 | 第15页 |
| 2.3.2 关于赋权图可达性的研究 | 第15-16页 |
| 2.3.3 关于赋权图数据补全的研究 | 第16页 |
| 2.3.4 关于赋权图其他方面的研究 | 第16-17页 |
| 2.4 异构数据处理研究现状 | 第17-19页 |
| 2.4.1 数据量化的研究 | 第17-18页 |
| 2.4.2 异构数据融合的研究 | 第18-19页 |
| 第3章 多维赋权图的推理和算法 | 第19-41页 |
| 3.1 多维赋权图的基本概念 | 第19-24页 |
| 3.1.1 背景 | 第19-20页 |
| 3.1.2 多维赋权图的基本模型 | 第20-24页 |
| 3.2 权值趋势预测 | 第24-30页 |
| 3.2.1 介绍 | 第25-26页 |
| 3.2.2 量化异构数据 | 第26页 |
| 3.2.3 预测函数 | 第26-27页 |
| 3.2.4 基于递归神经网络构建预测函数模型 | 第27-30页 |
| 3.3 多维赋权图信息补全 | 第30-33页 |
| 3.3.1 相关背景 | 第30-31页 |
| 3.3.2 KNN-k 近邻算法 | 第31-32页 |
| 3.3.3 距离的定义 | 第32-33页 |
| 3.3.4 基于欧式距离的KNN邻近分类算法 | 第33页 |
| 3.4 多维赋权图的算法并行化 | 第33-39页 |
| 3.4.1 算法对比分析 | 第33-36页 |
| 3.4.2 算法并行化 | 第36-39页 |
| 3.5 本章小结 | 第39-41页 |
| 第4章 基于LarKC的插件扩展实现 | 第41-55页 |
| 4.1 大规模知识加速器平台分析 | 第41-45页 |
| 4.1.1 大规模知识加速器数据层分析 | 第43-44页 |
| 4.1.2 LarKC数据层与接口 | 第44-45页 |
| 4.2 扩展插件 | 第45-53页 |
| 4.2.1 预测函数插件扩展 | 第46-50页 |
| 4.2.2 基于欧式距离的KNN算法插件扩展 | 第50-52页 |
| 4.2.3 并行算法扩展 | 第52-53页 |
| 4.3 本章小结 | 第53-55页 |
| 第5章 基于多维赋权图的车辆需求预测分析 | 第55-73页 |
| 5.1 实验分析 | 第55-58页 |
| 5.2 实验 | 第58-72页 |
| 5.2.1 权值趋势预测 | 第59-66页 |
| 5.2.2 多维赋权图信息补全 | 第66-69页 |
| 5.2.3 多维赋权图的算法并行化 | 第69-72页 |
| 5.3 小结 | 第72-73页 |
| 第6章 总结与展望 | 第73-75页 |
| 6.1 总结 | 第73-74页 |
| 6.2 展望 | 第74-75页 |
| 参考文献 | 第75-79页 |
| 发表论文和参加科研情况说明 | 第79-81页 |
| 致谢 | 第81页 |
