| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第9-15页 |
| 1.1 研究背景与意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-11页 |
| 1.3 主要研究内容 | 第11-13页 |
| 1.4 论文组织结构 | 第13-14页 |
| 1.5 本章小结 | 第14-15页 |
| 第2章 相关工作 | 第15-19页 |
| 2.1 群体识别相关工作 | 第15-16页 |
| 2.1.1 群体行为识别 | 第15-16页 |
| 2.1.2 群体异常识别 | 第16页 |
| 2.2 移动对象数据挖掘相关工作 | 第16-18页 |
| 2.2.1 移动对象轨迹聚类 | 第17页 |
| 2.2.2 移动对象模式发现 | 第17-18页 |
| 2.2.3 移动对象预测 | 第18页 |
| 2.3 本章小结 | 第18-19页 |
| 第3章 用户停留区域位置信息及语义信息提取 | 第19-33页 |
| 3.1 引言 | 第19页 |
| 3.2 停留区域地理位置信息提取方法 | 第19-26页 |
| 3.2.1 问题描述 | 第19-20页 |
| 3.2.2 基于分层的停留区域地理位置信息提取方法 | 第20-26页 |
| 3.3 停留区域语义信息提取方法 | 第26-31页 |
| 3.3.1 问题描述 | 第26-27页 |
| 3.3.2 基于LDA的停留区域语义信息提取方法 | 第27-31页 |
| 3.4 本章小结 | 第31-33页 |
| 第4章 用户相似性度量定义及群体聚类算法 | 第33-47页 |
| 4.1 引言 | 第33页 |
| 4.2 用户相似性度量 | 第33-38页 |
| 4.2.1 问题描述 | 第33页 |
| 4.2.2 地理位置相似度 | 第33-36页 |
| 4.2.3 语义信息相似度 | 第36-38页 |
| 4.3 群体聚类算法 | 第38-44页 |
| 4.3.1 问题描述 | 第38-39页 |
| 4.3.2 基于SNN的群体聚类算法 | 第39-44页 |
| 4.4 本章小结 | 第44-47页 |
| 第5章 实验结果及分析 | 第47-59页 |
| 5.1 引言 | 第47页 |
| 5.2 实验环境及设置 | 第47-48页 |
| 5.3 实验及分析 | 第48-58页 |
| 5.3.1 DBSCAN和SC以及HM效率比较分析 | 第48-50页 |
| 5.3.2 DBSCAN和HM准确性比较分析 | 第50页 |
| 5.3.3 用户相似性度量评估 | 第50-53页 |
| 5.3.4 聚类评估 | 第53-58页 |
| 5.4 本章小结 | 第58-59页 |
| 结论 | 第59-61页 |
| 参考文献 | 第61-67页 |
| 攻读硕士学位期间的学术成果 | 第67-69页 |
| 致谢 | 第69页 |