| 摘要 | 第4-5页 |
| abstract | 第5页 |
| 专用术语注释表 | 第8-9页 |
| 第一章 绪论 | 第9-14页 |
| 1.1 课题研究背景和意义 | 第9-10页 |
| 1.2 论文的研究内容 | 第10-11页 |
| 1.3 论文的创新点 | 第11-12页 |
| 1.4 论文的结构安排 | 第12-14页 |
| 第二章 相关背景知识和GSRM总体框架介绍 | 第14-20页 |
| 2.1 时空聚类和位置预测的研究现状 | 第14-16页 |
| 2.2 论文基本概念 | 第16-17页 |
| 2.3 GSRM模型框架 | 第17-19页 |
| 2.3.1 问题的公式化定义 | 第17-18页 |
| 2.3.2 GSRM模型概述 | 第18-19页 |
| 2.4 本章小结 | 第19-20页 |
| 第三章 基于聚类的GSRM模型 | 第20-33页 |
| 3.1 基于停留点的聚类过程 | 第20-27页 |
| 3.1.1 K-Means算法的局限性 | 第20页 |
| 3.1.2 K-Means算法的中心点优化 | 第20-22页 |
| 3.1.3 基于时空数据的K-Means算法 | 第22-25页 |
| 3.1.4 基于MapReduce的K-Means并行优化 | 第25-27页 |
| 3.2 轨迹模式的挖掘 | 第27-30页 |
| 3.2.1 基于Apriori理论的频繁模式挖掘 | 第27-28页 |
| 3.2.2 基于投影技术的频繁模式挖掘算法 | 第28-30页 |
| 3.3 位置推荐服务 | 第30-32页 |
| 3.3.1 位置推荐服务的应用场景 | 第30-31页 |
| 3.3.2 位置推荐服务的实现 | 第31-32页 |
| 3.4 本章小结 | 第32-33页 |
| 第四章 基于聚类的预测算法GLP-JDT的实现 | 第33-42页 |
| 4.1 GLP-JDT算法框架 | 第33-34页 |
| 4.2 预测算法 | 第34-37页 |
| 4.2.1 衰减函数 | 第34-35页 |
| 4.2.2 轨迹的前缀树结构 | 第35-37页 |
| 4.3 评分子系统 | 第37-38页 |
| 4.4 反馈子系统 | 第38-41页 |
| 4.5 本章小结 | 第41-42页 |
| 第五章 验证实验及其结果分析 | 第42-53页 |
| 5.1 实验数据集 | 第42-44页 |
| 5.1.1 实验数据集简介 | 第42页 |
| 5.1.2 实验平台介绍 | 第42-43页 |
| 5.1.3 实验的原型系统实现 | 第43页 |
| 5.1.4 实验中的距离公式 | 第43-44页 |
| 5.2 挖掘停留点的实验 | 第44页 |
| 5.3 聚类过程的实验 | 第44-47页 |
| 5.3.1 评判标准 | 第44-45页 |
| 5.3.2 两种聚类算法的比较 | 第45-46页 |
| 5.3.3 参数对聚类的影响 | 第46-47页 |
| 5.4 位置点预测的实验 | 第47-51页 |
| 5.4.1 评判标准 | 第47-48页 |
| 5.4.2 时间因素和样本率对预测的影响 | 第48-50页 |
| 5.4.3 预测的结果显示 | 第50-51页 |
| 5.5 服务推荐的实验 | 第51-52页 |
| 5.6 本章小结 | 第52-53页 |
| 第六章 总结与展望 | 第53-55页 |
| 6.1 研究工作总结 | 第53-54页 |
| 6.2 对未来工作的展望 | 第54-55页 |
| 参考文献 | 第55-58页 |
| 附录1 攻读硕士学位期间撰写的论文 | 第58-59页 |
| 附录2 攻读硕士学位期间申请的专利 | 第59-60页 |
| 附录3 攻读硕士学位期间参加的科研项目 | 第60-61页 |
| 致谢 | 第61页 |