隨著移動(dòng)互聯(lián)技術(shù)、全球定位技術(shù)的不斷發(fā)展,車(chē)輛軌跡數(shù)據(jù)規(guī)模不斷擴(kuò)大,移動(dòng)位置推薦、出行計(jì)劃制定、城市交通擁堵緩解及道路規(guī)劃等基于位置的服務(wù)也逐漸繁榮,而車(chē)輛位置預(yù)測(cè)則是以上服務(wù)的核心和基礎(chǔ)。針對(duì)這一需求,本文基于實(shí)際項(xiàng)目中獲取的城市車(chē)輛GPS日志數(shù)據(jù),提出了基于神經(jīng)網(wǎng)絡(luò)的車(chē)輛軌跡預(yù)測(cè)方法,通過(guò)歷史軌跡數(shù)據(jù)預(yù)處理、基于K-Modes聚類(lèi)算法的稀疏數(shù)據(jù)補(bǔ)全、基于GA優(yōu)化的LSTM預(yù)測(cè)模型等三個(gè)步驟,實(shí)現(xiàn)了軌跡數(shù)據(jù)質(zhì)量提升和車(chē)輛位置預(yù)測(cè),為其他基于位置的服務(wù)提供穩(wěn)定可靠的底層支持。本文在回顧了當(dāng)前車(chē)輛和移動(dòng)對(duì)象軌跡和位置預(yù)測(cè)研究現(xiàn)狀之后,圍繞稀疏軌跡數(shù)據(jù)補(bǔ)全、時(shí)序車(chē)輛軌跡預(yù)測(cè)以及LSTM初始參數(shù)優(yōu)化等方面展開(kāi)研究,最終確定基于K-Modes聚類(lèi)算法補(bǔ)全和基于GA算法優(yōu)化的LSTM車(chē)輛軌跡預(yù)測(cè)模型,并引入預(yù)測(cè)誤差校準(zhǔn)模塊對(duì)最終預(yù)測(cè)結(jié)果進(jìn)行校驗(yàn)和糾正。本文主要工作包括以下幾方面:（1）軌跡數(shù)據(jù)預(yù)處理。軌跡數(shù)據(jù)質(zhì)量對(duì)于最終車(chē)輛位置預(yù)測(cè)準(zhǔn)確率有較大影響,而現(xiàn)有研究往往側(cè)重于軌跡預(yù)測(cè)方法,較少對(duì)歷史數(shù)據(jù)質(zhì)量進(jìn)行評(píng)價(jià)和提升。本文通過(guò)研究軌跡自身數(shù)據(jù)特點(diǎn),在過(guò)濾重復(fù)軌跡點(diǎn)的基礎(chǔ)上,通過(guò)對(duì)原始車(chē)輛軌跡的切分... 

【文章來(lái)源】：西安電子科技大學(xué)陜西省 211工程院校 教育部直屬院校

【文章頁(yè)數(shù)】：80 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
ABSTRACT
符號(hào)對(duì)照表
縮略語(yǔ)對(duì)照表
第一章 緒論
    1.1 研究背景及意義
    1.2 國(guó)內(nèi)外研究現(xiàn)狀
        1.2.1 國(guó)外研究現(xiàn)狀
        1.2.2 國(guó)內(nèi)研究現(xiàn)狀
    1.3 論文研究?jī)?nèi)容
    1.4 論文組織結(jié)構(gòu)
    1.5 本章小結(jié)
第二章 相關(guān)理論與技術(shù)
    2.1 軌跡數(shù)據(jù)理論
    2.2 軌跡數(shù)據(jù)補(bǔ)全技術(shù)
        2.2.1 基于幾何模型的數(shù)據(jù)補(bǔ)全
        2.2.2 基于統(tǒng)計(jì)概率模型的數(shù)據(jù)補(bǔ)全
        2.2.3 基于聚類(lèi)模型的數(shù)據(jù)補(bǔ)全
    2.3 位置預(yù)測(cè)技術(shù)
        2.3.1 基于神經(jīng)網(wǎng)絡(luò)的位置預(yù)測(cè)
        2.3.2 基于馬爾科夫模型的位置預(yù)測(cè)
        2.3.3 基于頻繁軌跡模式的位置預(yù)測(cè)
    2.4 神經(jīng)網(wǎng)絡(luò)模型
        2.4.1 RNN與時(shí)序數(shù)據(jù)處理
        2.4.2 LSTM神經(jīng)網(wǎng)絡(luò)模型
    2.5 遺傳算法GA
    2.6 本章小結(jié)
第三章 車(chē)輛軌跡預(yù)測(cè)方法概述
    3.1 車(chē)輛軌跡預(yù)測(cè)背景及目標(biāo)
    3.2 問(wèn)題描述
    3.3 方法模型及框架介紹
    3.4 本章小結(jié)
第四章 軌跡數(shù)據(jù)預(yù)處理方法
    4.1 軌跡數(shù)據(jù)抽取與預(yù)處理
        4.1.1 誤差點(diǎn)處理
        4.1.2 子軌跡劃分
    4.2 軌跡索引
    4.3 基于K-Modes聚類(lèi)的稀疏數(shù)據(jù)補(bǔ)全
        4.3.1 K-Modes聚類(lèi)算法流程設(shè)計(jì)
        4.3.2 基于聚類(lèi)結(jié)果的軌跡補(bǔ)全
    4.4 本章小結(jié)
第五章 基于GA-LSTM的車(chē)輛軌跡預(yù)測(cè)
    5.1 LSTM預(yù)測(cè)模型
        5.1.1 輸入數(shù)據(jù)特征選取
        5.1.2 車(chē)輛軌跡預(yù)測(cè)模型
    5.2 預(yù)測(cè)誤差校準(zhǔn)
    5.3 遺傳算法優(yōu)化過(guò)程
    5.4 本章小結(jié)
第六章 實(shí)驗(yàn)結(jié)果及分析
    6.1 實(shí)驗(yàn)配置與過(guò)程
        6.1.1 實(shí)驗(yàn)配置說(shuō)明
        6.1.2 實(shí)驗(yàn)數(shù)據(jù)集描述
        6.1.3 實(shí)驗(yàn)過(guò)程安排
    6.2 實(shí)驗(yàn)結(jié)果分析
        6.2.1 不同時(shí)段區(qū)間內(nèi)車(chē)輛軌跡數(shù)量分布
        6.2.2 基于聚類(lèi)的軌跡補(bǔ)全實(shí)驗(yàn)結(jié)果
        6.2.3 GA-LSTM與LSTM模型收斂效果實(shí)驗(yàn)結(jié)果
        6.2.4 車(chē)輛軌跡預(yù)測(cè)實(shí)驗(yàn)結(jié)果分析
    6.3 本章小結(jié)
第七章 總結(jié)與展望
    7.1 論文工作總結(jié)
    7.2 展望
參考文獻(xiàn)
致謝
作者簡(jiǎn)介


【參考文獻(xiàn)】：
期刊論文
[1]路網(wǎng)匹配算法綜述[J]. 高文超,李國(guó)良,塔娜.  軟件學(xué)報(bào). 2018(02)
[2]大數(shù)據(jù)環(huán)境下移動(dòng)對(duì)象自適應(yīng)軌跡預(yù)測(cè)模型[J]. 喬少杰,李天瑞,韓楠,高云君,元昌安,王曉騰,唐常杰.  軟件學(xué)報(bào). 2015(11)
[3]一種GRNN神經(jīng)網(wǎng)絡(luò)的高超聲速飛行器軌跡預(yù)測(cè)方法[J]. 楊彬,賀正洪.  計(jì)算機(jī)應(yīng)用與軟件. 2015(07)
[4]聚類(lèi)算法綜述[J]. 伍育紅.  計(jì)算機(jī)科學(xué). 2015(S1)
[5]基于改進(jìn)貝葉斯方法的軌跡預(yù)測(cè)算法研究[J]. 李萬(wàn)高,趙雪梅,孫德廠(chǎng).  計(jì)算機(jī)應(yīng)用. 2013(07)
[6]基于模糊神經(jīng)網(wǎng)絡(luò)的地圖匹配算法[J]. 蘇海濱,王光政,王繼東.  北京科技大學(xué)學(xué)報(bào). 2012(01)
[7]BP神經(jīng)網(wǎng)絡(luò)隱層單元數(shù)的確定方法及實(shí)例[J]. 嚴(yán)鴻,管燕萍.  控制工程. 2009(S2)

碩士論文
[1]基于歷史信息的移動(dòng)對(duì)象軌跡預(yù)測(cè)研究[D]. 楊航.廣西師范大學(xué) 2016
[2]基于循環(huán)神經(jīng)網(wǎng)絡(luò)的軌跡位置預(yù)測(cè)技術(shù)研究[D]. 李幸超.浙江大學(xué) 2016



本文編號(hào)：3098640