| 摘要 | 第2-3页 |
| Abstract | 第3页 |
| 1 绪论 | 第6-12页 |
| 1.1 研究背景与意义 | 第6-8页 |
| 1.2 拼车相关问题研究现状 | 第8-9页 |
| 1.3 本文工作 | 第9-11页 |
| 1.4 文章结构 | 第11-12页 |
| 2 相关研究综述 | 第12-20页 |
| 2.1 kNN算法 | 第12-17页 |
| 2.1.1 kNN算法流程综述 | 第12-13页 |
| 2.1.2 kNN算法的改进 | 第13-15页 |
| 2.1.3 kNN算法的应用 | 第15-17页 |
| 2.2 密度聚类 | 第17-19页 |
| 2.2.1 密度聚类算法 | 第17-18页 |
| 2.2.2 密度聚类的应用 | 第18-19页 |
| 2.3 本章小结 | 第19-20页 |
| 3 改进kNN算法 | 第20-33页 |
| 3.1 基础算法选择 | 第20-21页 |
| 3.2 算法改进原理及方案 | 第21-22页 |
| 3.3 改进kNN算法 | 第22-32页 |
| 3.3.1 本算法中的新概念 | 第22-24页 |
| 3.3.2 算法的总体流程 | 第24页 |
| 3.3.3 数据预处理 | 第24-26页 |
| 3.3.4 样本相似度计算产生疑似近邻 | 第26-28页 |
| 3.3.5 类内样本平均密度计算 | 第28页 |
| 3.3.6 密度可达检测生成动态个数的确定近邻 | 第28-30页 |
| 3.3.7 算法验证 | 第30-32页 |
| 3.4 本章小结 | 第32-33页 |
| 4 实验与应用 | 第33-52页 |
| 4.1 数据集 | 第33-35页 |
| 4.1.1 UCI酒质量公开数据集 | 第33-34页 |
| 4.1.2 即时拼车结果数据集 | 第34-35页 |
| 4.2 改进kNN算法在UCI公开数据集上的验证实验与分析 | 第35-40页 |
| 4.2.1 改进kNN算法在UCI数据集上的验证试验 | 第35-39页 |
| 4.2.2 与传统kNN算法在UCI数据集上的对比实验 | 第39-40页 |
| 4.3 即时拼车结果预测实验与分析 | 第40-44页 |
| 4.3.1 改进kNN算法的即时拼车结果预测验证实验 | 第40-43页 |
| 4.3.2 与传统kNN算法的即时拼车结果预测对比实验 | 第43-44页 |
| 4.3.3 与主流分类算法的即时拼车结果预测对比实验 | 第44页 |
| 4.4 算法应用展望 | 第44-50页 |
| 4.4.1 改进kNN算法在分类问题中的推广应用展望 | 第45页 |
| 4.4.2 改进kNN算法在即时拼车结果预测领域的应用展望 | 第45-50页 |
| 4.5 本章小结 | 第50-52页 |
| 结论 | 第52-54页 |
| 参考文献 | 第54-57页 |
| 致谢 | 第57-59页 |
