| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第10-18页 |
| 1.1 研究背景 | 第10-11页 |
| 1.2 国内外研究综述 | 第11-14页 |
| 1.2.1 空间数据属性叠加 | 第11-12页 |
| 1.2.2 基于遥感影像的特征提取和空间区域识别 | 第12-13页 |
| 1.2.3 基于移动性数据时空特征的分类方法 | 第13-14页 |
| 1.3 研究内容与创新 | 第14-16页 |
| 1.3.1 研究内容 | 第14-15页 |
| 1.3.2 研究思路 | 第15-16页 |
| 1.3.3 创新点 | 第16页 |
| 1.4 论文的组织结构 | 第16-18页 |
| 第二章 移动性数据的时空及网络特征 | 第18-24页 |
| 2.1 移动性数据时空特征 | 第18-21页 |
| 2.1.1 运动模式 | 第18-19页 |
| 2.1.2 用户运动的相关参数 | 第19-20页 |
| 2.1.3 停留模式 | 第20-21页 |
| 2.2 复杂移动性网络及其特性 | 第21-23页 |
| 2.2.1 复杂移动性网络的度 | 第21-23页 |
| 2.2.2 平均路径长度与聚类参数 | 第23页 |
| 2.2.3 节点重要性 | 第23页 |
| 2.3 本章小节 | 第23-24页 |
| 第三章 隐私敏感空间区域的分类模型 | 第24-36页 |
| 3.1 节点隐私敏感属性的获取 | 第24-28页 |
| 3.2 时空特征值的获取 | 第28-33页 |
| 3.3 网络特征值的获取 | 第33-34页 |
| 3.4 基于时空及网络特征的分类模型 | 第34-35页 |
| 3.5 本章小结 | 第35-36页 |
| 第四章 基于Spark大数据机器学习平台的方法实现 | 第36-48页 |
| 4.1 机器学习平台的基本概念 | 第36-43页 |
| 4.1.1 基本概念 | 第36-38页 |
| 4.1.2 机器学习算法 | 第38-40页 |
| 4.1.3 模型评估方法 | 第40-42页 |
| 4.1.4 机器学习主要步骤 | 第42页 |
| 4.1.5 Spark机器学习类库 | 第42-43页 |
| 4.2 基于Spark大数据机器学习平台的分类方法实现 | 第43-47页 |
| 4.2.1 网格及网格特征的提取 | 第43-45页 |
| 4.2.2 利用MLlib决策树识别空间网格敏感属性 | 第45-47页 |
| 4.3 本章小结 | 第47-48页 |
| 第五章 实验结果与分析 | 第48-64页 |
| 5.1 实验集群环境与配置 | 第48-49页 |
| 5.2 实验数据 | 第49-57页 |
| 5.2.1 实验数据的生成方法 | 第49-51页 |
| 5.2.2 生成实验数据的基本信息 | 第51-57页 |
| 5.3 实验结果及分析 | 第57-63页 |
| 5.3.1 训练数据与测试数据比值对分类结果的影响分析 | 第57-58页 |
| 5.3.2 考虑单特征值与综合特征值的分类性能比较分析 | 第58-63页 |
| 5.4 本章小结 | 第63-64页 |
| 第六章 总结与展望 | 第64-66页 |
| 6.1 总结 | 第64页 |
| 6.2 展望 | 第64-66页 |
| 参考文献 | 第66-70页 |
| 附录1 攻读硕士学位期间撰写的论文 | 第70-71页 |
| 附录2 攻读硕士学位期间申请的专利 | 第71-72页 |
| 附录3 攻读硕士学位期间参加的科研项目 | 第72-73页 |
| 致谢 | 第73页 |
