教育论文网

基于移动大数据的人群移动事件的检测与预测

论文目录
摘要第1-6页
ABSTRACT第6-11页
第一章 绪论第11-19页
 1.1 研究背景第11-12页
 1.2 国内外研究现状第12-14页
 1.3 本文的工作内容与贡献第14-19页
  1.3.1 研究内容第14-16页
  1.3.2 主要贡献第16-17页
  1.3.3 论文组织结构第17-19页
第二章 人群移动预测与检测相关技术综述第19-27页
 2.1 人群流量预测研究综述第19-21页
  2.1.1 流量预测模型框架第19-21页
  2.1.2 跨域数据融合第21页
 2.2 城市事件检测研究综述第21-25页
  2.2.1 异常检测算法第22-23页
  2.2.2 多数据域的城市事件检测算法第23-25页
 2.3 相关技术综述第25-26页
  2.3.1 残差学习与注意力机制第25-26页
  2.3.2 生成对抗网络第26页
 2.4 本章小结第26-27页
第三章 基于多视角的深度流量预测框架MV-RANet第27-47页
 3.1 背景分析与挑战第27-29页
 3.2 相关定义与问题描述第29-30页
 3.3 框架概述第30-31页
 3.4 基于残差注意力机制的时空预测模块第31-35页
  3.4.1 基于多通道机制的数据融合第31-33页
  3.4.2 残差注意力网络基本结构第33-34页
  3.4.3 融合与输出第34-35页
 3.5 基于node2vec的人群移动模式的建模第35-37页
  3.5.1 基于人群移动模式的权重图的设计第36-37页
  3.5.2 权重图的嵌入与融合第37页
 3.6 模型融合、训练与预测第37-38页
 3.7 实验与结果分析第38-46页
  3.7.1 实验设置第38-40页
  3.7.2 对比算法第40-41页
  3.7.3 性能对比第41-43页
  3.7.4 MV-R ANet各变种的效果第43-45页
  3.7.5 长时间流量预测性能的评估第45-46页
 3.8 本章小结第46-47页
第四章 基于多域数据的城市事件检测框架ED-BiGAN第47-67页
 4.1 背景分析与挑战第47-49页
 4.2 问题定义与框架概述第49-51页
  4.2.1 相关定义第49-50页
  4.2.2 城市事件检测整体框架第50-51页
 4.3 基于多域数据的事件检测特征挖掘第51-55页
  4.3.1 数据描述第51页
  4.3.2 区域流量特征挖掘第51-52页
  4.3.3 微博相关特征挖掘第52-54页
  4.3.4 多通道事件检测特征图的构建第54-55页
 4.4 基于BiGAN的事件检测算法第55-57页
  4.4.1 BiGAN整体结构第55-56页
  4.4.2 城市事件检测的实现第56-57页
 4.5 实验与案例分析第57-65页
  4.5.1 实验设置第57-59页
  4.5.2 对比算法第59页
  4.5.3 性能比较与评估第59-62页
  4.5.4 参数分析第62-63页
  4.5.5 案例研究第63-65页
 4.6 本章小结第65-67页
第五章 人群流量预测的事件依赖建模研究第67-77页
 5.1 背景分析与挑战第67-68页
 5.2 基于BiGAN的城市事件特征表示第68-70页
  5.2.1 低维城市事件特征表示第69-70页
  5.2.2 事件特征图的构建第70页
 5.3 基于残差-注意力机制的事件信息融合方案第70-72页
 5.4 实验与案例分析第72-75页
  5.4.1 实验设置第72页
  5.4.2 实验结果与分析第72-74页
  5.4.3 参数分析第74-75页
  5.4.4 案例分析第75页
 5.5 本章小结第75-77页
第六章 总结与展望第77-79页
参考文献第79-85页
致谢第85-87页
攻读学位期间发表的学术论文目录第87页

本篇论文共87页,点击 这进入下载页面

 
 
Copyright(C) All Rights Reserved
客服QQ:304386486
目录由用户 wangb** 提供,作者删除入口请点击这里