| Abstract | 第4-6页 |
| 摘要 | 第7-16页 |
| 1 Introduction | 第16-25页 |
| 1.1 Background | 第16-17页 |
| 1.2 Current Studies | 第17-20页 |
| 1.2.1 Displacement Distance | 第17-19页 |
| 1.2.2 User's Visited Locations | 第19页 |
| 1.2.3 Regularity,Periodieity and Predictability | 第19-20页 |
| 1.3 The Development of Data Sources | 第20-23页 |
| 1.3.1 Survey-based traditional data | 第21页 |
| 1.3.2 Mobile phone data | 第21-22页 |
| 1.3.3 Transportation data | 第22页 |
| 1.3.4 GPS | 第22-23页 |
| 1.3.5 Location-based social networks | 第23页 |
| 1.4 The importance of human mobility studies and its application areas | 第23-24页 |
| 1.5 Chapters and Contributions | 第24-25页 |
| 2 Related Work | 第25-36页 |
| 2.1 Laws of Human Travel from Bank Notes Dispersal | 第25-26页 |
| 2.2 Basic Law of Human Mobility Pattern | 第26-27页 |
| 2.3 Limits of predictability of human mobility | 第27-28页 |
| 2.4 Universal Model for Mobility Patterns | 第28-29页 |
| 2.5 Encounters of Familiar Strangers on Transportations | 第29-31页 |
| 2.6 17 motifs of mobility patterns | 第31-33页 |
| 2.7 Understanding Human Mobility from Twitter | 第33-34页 |
| 2.8 Thesis and its substantiation | 第34-36页 |
| 3 Data | 第36-41页 |
| 3.1 Data Collection | 第36-38页 |
| 3.2 Data Observation-Collective Analysis | 第38-41页 |
| 3.2.1 The distribution of the number of tweets of each user | 第38页 |
| 3.2.2 Weekdays and Weekends | 第38-39页 |
| 3.2.3 Radius of Gyration | 第39-41页 |
| 4 Methodology | 第41-48页 |
| 4.1 Assumption | 第41页 |
| 4.2 Preprocessing Data | 第41-42页 |
| 4.2.1 Location Identification | 第41页 |
| 4.2.2 Ruling out improper tweets from the dataset | 第41-42页 |
| 4.3 Models | 第42-48页 |
| 4.3.1 κ-Nearest Neighbor | 第42页 |
| 4.3.2 κ-means | 第42-45页 |
| 4.3.3 Gaussian Mixture Model(Static) | 第45页 |
| 4.3.4 Gaussian Mixture Model(Dynamic) | 第45-46页 |
| 4.3.5 Static and Dynamic Integrated Model(SDIM) | 第46-48页 |
| 5 Experiment | 第48-67页 |
| 5.1 k-Nearest Neighbors-one location for given time t | 第48-51页 |
| 5.1.1 Overview for different k | 第48-49页 |
| 5.1.2 For k=100 | 第49-51页 |
| 5.1.3 Determining k using cross-validation | 第51页 |
| 5.2 Frequently Visited Location Identification-two locations(home and workplace) | 第51-60页 |
| 5.2.1 k-means | 第52-55页 |
| 5.2.2 Home Identification | 第55-56页 |
| 5.2.3 Gaussian Mixture Model-with two Gaussian components | 第56-57页 |
| 5.2.4 Gaussian Mixture Model-determining the number of com-ponents | 第57-60页 |
| 5.3 Location Prediction | 第60-62页 |
| 5.3.1 Static model-one GMM | 第60-61页 |
| 5.3.2 Dynamic model-24 GMMs | 第61页 |
| 5.3.3 Static and Dynamic Integrated Model | 第61-62页 |
| 5.3.4 Evaluation | 第62页 |
| 5.4 Entropy Analysis | 第62-66页 |
| 5.4.1 Entropy with respect to time(Spatial Analysis) | 第63-64页 |
| 5.4.2 Entropy with respect to Location(Temporal Analysis) | 第64-66页 |
| 5.5 Applications | 第66-67页 |
| 6 Conclusion and Future work | 第67-71页 |
| 6.1 Conclusion | 第67-69页 |
| 6.2 Contribution | 第69页 |
| 6.3 Future work | 第69-71页 |
| References | 第71-75页 |
| Appendix | 第75-78页 |
| About Author | 第78-79页 |
| Acknowledgements | 第79页 |
