面向轨迹相似度计算的轨迹深度表达学习研究

目录

声明

致谢

1 引言

1.1 研究背景与意义

1.2 国内外研究现状

1.3 研究内容及主要贡献

1.4 论文组织结构

2 论文相关知识

2.1 轨迹的基本概念

2.2 深度学习算法

2.2.1 循环神经网络

2.2.2 编码器-解码器结构

2.3 基于注意力机制的深度表达学习算法

2.3.1 Transformer算法

2.3.2 BERT算法

2.4 轨迹相似度计算

2.4.1 欧几里得距离

2.4.2 余弦距离

2.5 本章小结

3 实验环境与数据预处理

3.1 开发工具

3.1.1 Python 语言

3.1.2 Anaconda 集成环境

3.1.3 Pytorch 框架

3.2 数据预处理

3.2.1 数据集描述

3.2.2 数据清洗

3.2.3 轨迹区域编码

3.3 本章小结

4 基于多头注意力机制的轨迹表达算法

4.1 基于 Transformer 的轨迹表达算法

4.1.1 模型结构

4.1.2 模型训练

4.2 基于 BERT 的轨迹表达算法

4.2.1 模型结构

4.2.2 模型训练

4.3 本章小结

5 模型评估与结果分析

5.1 实验设置

5.2 实验设计

5.3 实验结果与分析

5.3.1 实验结果

5.3.2 模型对比分析

5.4 轨迹表达算法的验证与应用

5.4.1 模型表达能力验证

5.4.2 轨迹表达算法的应用

5.5 本章小结

6 总结及展望

6.1 论文工作总结

6.2 未来工作展望

参考文献

作者简历及攻读硕士学位期间取得的研究成果

独创性声明

学位论文数据集