基于深度学习的个体出行目的地预测方法研究

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

1.2.1 基于模式的出行目的地预测

1.2.2 基于模型的出行目的地预测

1.3 论文主要工作

1.4 论文整体结构

2 相关技术概述

2.1 序列模式挖掘算法

2.1.1 相关概念

2.1.2 Prefixspan 算法

2.1.3 GSP算法

2.2 衰减理论

2.3 深度学习技术

2.3.1 循环神经网络

2.3.2 长短期记忆网络

2.3.3 门控循环单元网络

2.3.4 注意力机制

2.4 本章小结

3 基于指数衰减和神经网络的预测方法

3.1 问题定义

3.2 个体出行特征提取

3.2.1 个体出行序列模式挖掘算法的实现

3.2.2 类别重要性衰减学习策略的设计

3.2.3 出行个体聚类分析

3.3 网络模型的构建

3.3.1 嵌入层

3.3.2 循环层

3.3.3 输出层

3.4 实验分析

3.4.1 数据集与数据分析

3.4.2 实验与结果分析

3.5 本章小结

4 基于注意力机制和神经网络的预测方法

4.1 问题定义

4.2 多模块嵌入循环神经网络的设计

4.3 历史注意力学习机制的实现

4.3.1 基于嵌入编码学习机制历史轨迹生成器的实现

4.3.2 基于注意力机制特征选择器的实现

4.4 实验分析

4.4.1 数据处理

4.4.2 实验与结果分析

4.4.3 仿真实验研究

4.5 本章小结

5 结论

5.1 总结

5.2 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