| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 1 绪论 | 第8-13页 |
| 1.1 研究背景及意义 | 第8页 |
| 1.2 国内外研究现状及发展前景 | 第8-10页 |
| 1.3 研究内容 | 第10-11页 |
| 1.4 论文组织结构 | 第11-13页 |
| 2 相关理论知识 | 第13-22页 |
| 2.1 大数据分析平台相关技术介绍 | 第13-16页 |
| 2.1.1 HDFS及HBase相关技术介绍 | 第13-14页 |
| 2.1.2 Spark大数据分析框架介绍 | 第14-15页 |
| 2.1.3 Hive与Sqoop | 第15页 |
| 2.1.4 Scala语言介绍 | 第15-16页 |
| 2.2 用户轨迹预测相关技术介绍 | 第16-18页 |
| 2.2.1 通用横轴墨卡托投影UTM | 第16页 |
| 2.2.2 最小描述长度准则MDL | 第16-17页 |
| 2.2.3 基于隐马尔科夫的SATP模型 | 第17页 |
| 2.2.4 基于曲线拟合插值的轨迹补全方法 | 第17-18页 |
| 2.3 用户轨迹点聚类相关技术介绍 | 第18-20页 |
| 2.3.1 DBSCAN聚类方法介绍 | 第18页 |
| 2.3.2 SinglePass聚类方法介绍 | 第18-20页 |
| 2.4 用户特定行为规律预测相关技术介绍 | 第20-22页 |
| 2.4.1 BP神经网络模型 | 第20-21页 |
| 2.4.2 朴素贝叶斯模型 | 第21-22页 |
| 3 用户轨迹预测方法的设计与实现 | 第22-44页 |
| 3.1 用户轨迹预测方法的功能需求与关键问题 | 第22-25页 |
| 3.1.1 功能需求 | 第22-23页 |
| 3.1.2 轨迹预测的模型选择与方案设计 | 第23页 |
| 3.1.3 快速轨迹点聚类方法设计 | 第23-25页 |
| 3.2 用户轨迹预测方法的设计 | 第25-26页 |
| 3.2.1 方法步骤设计 | 第25-26页 |
| 3.2.2 数据库设计 | 第26页 |
| 3.3 用户轨迹预测方法的关键步骤 | 第26-38页 |
| 3.3.1 基于MDL原则的轨迹点简化方法 | 第26-29页 |
| 3.3.2 基于两步聚类的轨迹点聚类方法 | 第29-33页 |
| 3.3.3 改进的SATP模型的轨迹预测方法 | 第33-37页 |
| 3.3.4 基于贝塞尔曲线插值的轨迹补全方法 | 第37-38页 |
| 3.4 用户轨迹预测方法的实现 | 第38-43页 |
| 3.4.1 轨迹点聚类算法的实现与检验 | 第39-40页 |
| 3.4.2 轨迹预测方法的实现与检验 | 第40-42页 |
| 3.4.3 用户行为轨迹预测模块的实现界面展示 | 第42-43页 |
| 3.5 本章小结 | 第43-44页 |
| 4 用户特定行为预测方法的设计与实现 | 第44-61页 |
| 4.1 用户特定行为预测方法的功能需求与关键问题 | 第44-46页 |
| 4.1.1 功能需求 | 第44-45页 |
| 4.1.2 用户特定行为的定义 | 第45-46页 |
| 4.1.3 特定行为预测的模型选择 | 第46页 |
| 4.2 用户特定行为预测方法的设计 | 第46-48页 |
| 4.2.1 方法步骤设计 | 第46-47页 |
| 4.2.3 数据库设计 | 第47-48页 |
| 4.3 用户特定行为预测方法的关键步骤 | 第48-54页 |
| 4.3.1 基于定义的用户特定行为识别方法 | 第48-51页 |
| 4.3.2 基于BP神经网络与朴素贝叶斯模型的特定行为预测方法 | 第51-54页 |
| 4.4 用户特定行为预测方法的实现 | 第54-59页 |
| 4.4.1 用户特定行为识别方法的实现与检验 | 第55-56页 |
| 4.4.2 用户特定行为预测方法的实现与检验 | 第56-58页 |
| 4.4.3 用户特定行为预测模块的实现界面 | 第58-59页 |
| 4.6 本章小结 | 第59-61页 |
| 5 结论 | 第61-64页 |
| 5.1 本文总结 | 第61-63页 |
| 5.2 未来的工作 | 第63-64页 |
| 致谢 | 第64-65页 |
| 参考文献 | 第65-69页 |
| 附录 | 第69页 |