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
北京交通大学;