| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 第一章 绪论 | 第9-21页 |
| 1.1 论文背景和意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-20页 |
| 1.2.1 人类空间运动规律的实证研究现状 | 第10-12页 |
| 1.2.2 人类空间签到轨迹预测研究现状 | 第12-18页 |
| 1.2.3 不同画像的人类行为特性研究现状 | 第18-20页 |
| 1.3 论文内容安排 | 第20-21页 |
| 第二章 签到行为的可预测性及影响因素分析 | 第21-33页 |
| 2.1 数据描述 | 第21-22页 |
| 2.2 签到行为的基本特征 | 第22-25页 |
| 2.2.1 用户和地点的活跃度分布 | 第22-23页 |
| 2.2.2 签到行为的统计特征 | 第23-24页 |
| 2.2.3 跳转距离相关性 | 第24-25页 |
| 2.3 签到行为的可预测性分析 | 第25-32页 |
| 2.3.1 签到行为的可预测性度量 | 第25-28页 |
| 2.3.2 影响可预测性和规律性的因素分析 | 第28-32页 |
| 2.4 签到行为的可预测性及影响因素分析总结 | 第32-33页 |
| 第三章 城市人类空间签到行为的模式分析 | 第33-47页 |
| 3.1 不同出行距离下的出行模式分析 | 第33-40页 |
| 3.1.1 出行距离划分 | 第33-34页 |
| 3.1.2 日常出行和远门出行访问地点的异同分析 | 第34-37页 |
| 3.1.4 日常出行和远门出行的空间特性分析 | 第37-38页 |
| 3.1.5 用户远门旅行行为特征分析 | 第38-39页 |
| 3.1.6 日常出行和远门出行差异总结 | 第39-40页 |
| 3.2 社交关系对用户签到出行的影响 | 第40-47页 |
| 3.2.1 社交关系对签到轨迹的影响 | 第40-41页 |
| 3.2.2“有效三元组”结构分析 | 第41-43页 |
| 3.2.3 三元组中的边 | 第43-44页 |
| 3.2.4 三元组中的地点 | 第44-45页 |
| 3.2.5 地点受社交关系的影响分析 | 第45-46页 |
| 3.2.6 社交关系对用户签到出行的影响总结 | 第46-47页 |
| 第四章 不同属性用户群的空间签到行为分析 | 第47-62页 |
| 4.1 不同性别的用户群的空间签到行为分析 | 第48-56页 |
| 4.1.1 不同性别用户群在空间移动行为特征上的区分度 | 第48-50页 |
| 4.1.2 不同性别用户群在社交特征上的区分度 | 第50-51页 |
| 4.1.3 不同性别用户群在访问的地点特征上的区分度 | 第51-56页 |
| 4.2 不同年龄段的用户群的空间签到行为分析 | 第56-61页 |
| 4.2.1 不同年龄段用户群在空间移动行为特征上的区分度 | 第56-57页 |
| 4.2.2 不同年龄段用户群在社交特征上的区分度 | 第57-58页 |
| 4.2.3 不同年龄段用户群在访问的地点特征上的区分度 | 第58-61页 |
| 4.3 不同属性用户群在签到行为上的区分度总结 | 第61-62页 |
| 第五章 空间签到行为预测 | 第62-72页 |
| 5.1 用户个人信息预测 | 第62-66页 |
| 5.1.1 用户个人信息预测问题定义 | 第62页 |
| 5.1.2 用户个人信息预测模型特征 | 第62-65页 |
| 5.1.3 用户个人信息预测模型实验结果 | 第65-66页 |
| 5.2 用户签到轨迹预测 | 第66-72页 |
| 5.2.1 用户签到轨迹预测问题定义 | 第66页 |
| 5.2.2 基于时段的最常访问算法 | 第66-67页 |
| 5.2.3 马尔科夫算法 | 第67-68页 |
| 5.2.4 机器学习分类算法 | 第68-70页 |
| 5.2.5 混合模型 | 第70页 |
| 5.2.6 用户签到轨迹预测算法实验结果 | 第70-72页 |
| 第六章 总结与展望 | 第72-74页 |
| 致谢 | 第74-75页 |
| 参考文献 | 第75-80页 |
| 攻硕期间取得的研究成果 | 第80-81页 |
