• <th id="1gl2f"><address id="1gl2f"></address></th>

    <code id="1gl2f"><menu id="1gl2f"></menu></code>

    <th id="1gl2f"><td id="1gl2f"></td></th>

    <optgroup id="1gl2f"><progress id="1gl2f"><code id="1gl2f"></code></progress></optgroup>
      <code id="1gl2f"><xmp id="1gl2f">
    1. 
      
      <th id="1gl2f"><td id="1gl2f"></td></th><th id="1gl2f"></th>

    2. <optgroup id="1gl2f"><xmp id="1gl2f"><code id="1gl2f"></code>

      答辩公告
      我的位置在: 首页 > 答辩公告 > 正文
      ?黄友荣预答辩公告
      浏览次数:日期:2020-03-17编辑:教学办

      预答辩公告

      论文题目

      基于轨迹大数据的路网推理及私家车移动特性挖掘研究

      答辩人

      黄友荣

      指导教师

      王东  教授

      答辩委员会

      主席

      陈浩 教授

      学科专业

      计算机科学与技术

      学院

      信息科学与工程学院

      答辩地点

      视频会议

      答辩时间

      2020318 上午9:00

      学位论文简介

      随着位置获取和移动计算技术的发展同创娱乐app下载,大量的轨迹数据集被收集起来。这些海量的轨迹数据集为我们提供了空前的信息来了解物体的移动性,吸引了计算机科学同创娱乐app下载、社会学以及地理学等多个领域的研究者同创娱乐app下载。人类轨迹数据记录了个人在特定时刻所处的地理位置,反映了人类出行行为。长期以来人类轨迹数据集一直是研究人类行为和解决交通问题的重要手段。由于轨迹数据集蕴含了大量有价值的信息,研究者们利用各类挖掘算法从不同角度对不同种类的轨迹数据集进行多方面的挖掘研究工作。论文主要对私家车轨迹数据展开了挖掘研究工作:探索并提出了基于稀疏采样轨迹数据集的复杂城市路网自动推理算法、个人出行规律性度量及出行模式挖掘方法、城市人群整体移动性分析方法以及城市间人群移动交互分析方法同创娱乐app下载。论文的主要工作概括如下:

      1针对城市复杂路口的日益增多以及私家车轨迹数据集的采样率低等问题,提出了一个城市路网推理算法同创娱乐app下载。

      2从理论和实践层面对个人长期出行行为进行研究,提出了一个个人出行规律性量化度量方法并进行了个人出行模式挖掘研究。

      3通过对私家车驾驶人群的轨迹分析和停留现象的研究,建立了一套城市人群整体移动性评价方法。

      4通过对私家车驾驶人群在珠江三角洲五城之间的活动轨迹进行研究,建立了一个群落内城市间人群交互关系评价方法同创娱乐app下载。

      主要学术成果

       

      1. Yourong Huang, Zhu Xiao, Xiaoyou Yu, Dong Wang, et al. Road Network Construction with Complex Intersections Based on Sparsely Sampled Private Car Trajectory Data. ACM Transactions on Knowledge Discovery from Data, 2019, 13(3):1-28 (SCI三区)

      2. Yourong Huang, Zhu Xiao, Dong Wang, Hongbo Jiang, et al. Exploring Individual Travel Patterns Across Private Car Trajectory Data. IEEE Transactions on Intelligent Transportation Systems, 2019, 10: 1-15 (DOI:10.1109/TITS.2019.2948188) (SCI 二区)

      3. Zhiyang Xiang, Zhu Xiao, Yourong Huang, Dong Wang, et al. Unsupervised and Semi-Supervised Dimensionality Reduction with Self-Organizing Incremental Neural Network and Graph Similarity Constraints. Springer International Publishing, 2016, 191-202 (CCF C)

         

      同创娱乐app下载