基于高斯—贝叶斯回归的城市热点分析
| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第一章 绪论 | 第9-13页 |
| 1.1 研究背景及意义 | 第9-10页 |
| 1.1.1 研究背景 | 第9页 |
| 1.1.2 研究意义 | 第9-10页 |
| 1.2 国内外研究状况 | 第10-11页 |
| 1.2.1 城市热点国内外研究现状 | 第10页 |
| 1.2.2 贝叶斯线性回归研究现状 | 第10-11页 |
| 1.3 论文主要工作和技术特点 | 第11-12页 |
| 1.3.1 论文的主要工作 | 第11页 |
| 1.3.2 论文的技术特点 | 第11-12页 |
| 1.4 论文的组织结构 | 第12-13页 |
| 第二章 相关技术基础 | 第13-19页 |
| 2.1 相关理论 | 第13-16页 |
| 2.1.1 高斯分布和贝叶斯定理 | 第13-14页 |
| 2.1.2 线性回归 | 第14-15页 |
| 2.1.3 R平方 | 第15页 |
| 2.1.4 k-means聚类 | 第15-16页 |
| 2.1.5 POI(城市热点) | 第16页 |
| 2.2 开放平台 | 第16-17页 |
| 2.2.1 微博开放平台 | 第16页 |
| 2.2.2 百度热力图 | 第16-17页 |
| 2.3 本章小结 | 第17-19页 |
| 第三章 高斯-贝叶斯回归预测模型设计 | 第19-25页 |
| 3.1 城市热点问题描述 | 第19页 |
| 3.2 模型总体设计 | 第19-24页 |
| 3.2.1 数据获取模块设计 | 第21-22页 |
| 3.2.2 模型训练模块设计 | 第22-23页 |
| 3.2.3 数据预测模块设计 | 第23-24页 |
| 3.3 本章小结 | 第24-25页 |
| 第四章 POI数据分析模型的实现 | 第25-39页 |
| 4.1 数据获取 | 第25-30页 |
| 4.1.1 样本地区地理位置 | 第25-26页 |
| 4.1.2 地理覆盖点坐标获取 | 第26页 |
| 4.1.3 新浪微博签到数据获取 | 第26-27页 |
| 4.1.4 微博数据预处理 | 第27-28页 |
| 4.1.5 数据地理区域分析 | 第28-30页 |
| 4.2 高斯-贝叶斯回归模型训练 | 第30-35页 |
| 4.2.1 城市热点的发现 | 第30-32页 |
| 4.2.2 时间序列特征提取 | 第32-35页 |
| 4.3 高斯-贝叶斯回归算法实现 | 第35-37页 |
| 4.4 本章小结 | 第37-39页 |
| 第五章 实验结果及分析评估 | 第39-49页 |
| 5.1 测试环境介绍 | 第39页 |
| 5.2 部分POI微博签到次数预测与分析 | 第39-43页 |
| 5.2.1 昆明站 | 第40-41页 |
| 5.2.2 世纪城商业中心 | 第41页 |
| 5.2.3 长水国际机场 | 第41-42页 |
| 5.2.4 金星立交桥 | 第42-43页 |
| 5.3 部分POI微博签到次数变化趋势预测对比 | 第43-44页 |
| 5.4 全部POI微博签到次数预测与分析 | 第44-46页 |
| 5.5 模型评价 | 第46-47页 |
| 5.6 本章小结 | 第47-49页 |
| 第六章 总结与展望 | 第49-51页 |
| 参考文献 | 第51-55页 |
| 致谢 | 第55-56页 |
| 攻读硕士学位期间完成的科研成果 | 第56页 |
