| 摘要 | 第5-7页 |
| ABSTRACT | 第7-9页 |
| 主要缩略语及中英文对照 | 第15-16页 |
| 主要符号含义对照 | 第16-17页 |
| 第一章 绪论 | 第17-28页 |
| 1.1. 研究背景 | 第17-23页 |
| 1.1.1. 轨迹数据挖掘 | 第17-19页 |
| 1.1.2. 移动对象聚集模式挖掘 | 第19-22页 |
| 1.1.3. 相关研究问题面临的挑战 | 第22-23页 |
| 1.2. 论文主要工作 | 第23-24页 |
| 1.3. 论文组织结构 | 第24-25页 |
| 1.4. 课题来源 | 第25页 |
| 1.5. 本章参考文献 | 第25-28页 |
| 第二章 相关研究综述 | 第28-42页 |
| 2.1. 基于轨迹数据聚类的聚集模式挖掘方法相关研究 | 第28-34页 |
| 2.1.1. 聚集模式挖掘方法的准确性研究 | 第28-31页 |
| 2.1.2. 聚集模式挖掘方法的高效性研究 | 第31-34页 |
| 2.2. 基于移动对象属性信息的聚集模式挖掘方法 | 第34-36页 |
| 2.2.1. 基于移动对象属性信息的相关研究 | 第34-36页 |
| 2.2.2. 聚集模式挖掘方法的准确性与高效性 | 第36页 |
| 2.3. 本章小结 | 第36-37页 |
| 2.4. 本章参考文献 | 第37-42页 |
| 第三章 基于时空图的聚集模式挖掘方法 | 第42-59页 |
| 3.1. 引言 | 第42页 |
| 3.2. 相关定义 | 第42-43页 |
| 3.3. 移动对象聚集模式挖掘方法 | 第43-51页 |
| 3.3.1. 移动对象聚类 | 第44-47页 |
| 3.3.2. 创建时空图 | 第47-49页 |
| 3.3.3. 聚集模式挖掘算法 | 第49-51页 |
| 3.4. 实验 | 第51-55页 |
| 3.4.1. 实验建立 | 第51页 |
| 3.4.2. 准确性检验 | 第51-55页 |
| 3.5. 本章小结 | 第55-56页 |
| 3.6. 本章参考文献 | 第56-59页 |
| 第四章 基于改进BK图搜索算法和δ-近邻剪枝的聚集模式挖掘方法 | 第59-75页 |
| 4.1. 引言 | 第59页 |
| 4.2. 改进的移动对象聚集模式挖掘算法GR+ | 第59-63页 |
| 4.2.1. 算法描述 | 第59-62页 |
| 4.2.2. 算法性能分析 | 第62-63页 |
| 4.3. 基于δ-近邻剪枝的聚集模式挖掘算法R-GR | 第63-68页 |
| 4.3.1. 算法描述 | 第65-67页 |
| 4.3.2. 算法性能分析 | 第67-68页 |
| 4.4. 实验 | 第68-73页 |
| 4.4.1. 实验建立 | 第68页 |
| 4.4.2. 高效性检验 | 第68-73页 |
| 4.5. 本章小结 | 第73页 |
| 4.6. 本章参考文献 | 第73-75页 |
| 第五章 基于出租车载客状态信息的聚集模式挖掘方法 | 第75-96页 |
| 5.1. 引言 | 第75-79页 |
| 5.1.1. 相关定义 | 第76-77页 |
| 5.1.2. 方法框架 | 第77-79页 |
| 5.2. 出租车供求分析建模方法 | 第79-82页 |
| 5.2.1. 正态分布检验 | 第79-80页 |
| 5.2.2. 概率密度估计 | 第80-82页 |
| 5.3. 基于神经网络的聚集模式挖掘方法 | 第82-86页 |
| 5.3.1. 神经网络训练 | 第83-85页 |
| 5.3.2. 聚集模式检验 | 第85-86页 |
| 5.4. 实验 | 第86-93页 |
| 5.4.1. 实验建立 | 第87页 |
| 5.4.2. 准确性检验 | 第87-92页 |
| 5.4.3. 高效性检验 | 第92-93页 |
| 5.5. 本章小结 | 第93-94页 |
| 5.6. 本章参考文献 | 第94-96页 |
| 第六章 结束语 | 第96-99页 |
| 6.1. 工作总结 | 第96-97页 |
| 6.2. 未来工作 | 第97-99页 |
| 6.2.1. 从研究内容上的考虑 | 第97-98页 |
| 6.2.2. 从已做工作改进上的考虑 | 第98-99页 |
| 攻读博士学位期间发表的论文 | 第99-100页 |
| 攻读博士学位期间参与项目及专利 | 第100-101页 |
| 致谢 | 第101-102页 |
