基于轨迹的时空数据分析
| 摘要 | 第4-5页 |
| ABSTRACT | 第5页 |
| 第一章 绪论 | 第9-20页 |
| 1.1 研究背景 | 第9-10页 |
| 1.2 研究意义 | 第10-12页 |
| 1.2.1 用户活动预测 | 第11页 |
| 1.2.2 移动推荐系统 | 第11-12页 |
| 1.2.3 网络爬虫 | 第12页 |
| 1.3 国内外研究现状 | 第12-16页 |
| 1.3.1 国外研究现状 | 第14-15页 |
| 1.3.2 国内研究现状 | 第15-16页 |
| 1.4 主要研究内容 | 第16-18页 |
| 1.5 论文的创新点 | 第18-19页 |
| 1.6 论文的组织结构 | 第19-20页 |
| 第二章 时空数据分析概述 | 第20-28页 |
| 2.1 时空数据的建模 | 第20-22页 |
| 2.1.1 基于全局回归的模型 | 第20-21页 |
| 2.1.2 基于局部插值的模型 | 第21-22页 |
| 2.2 时空数据的划分和重构 | 第22-23页 |
| 2.3 移动轨迹相似性度量 | 第23-25页 |
| 2.3.1 欧几里得距离 | 第23-24页 |
| 2.3.2 最小外包矩阵距离 | 第24页 |
| 2.3.3 编辑距离 | 第24-25页 |
| 2.3.4 Hausdorff距离 | 第25页 |
| 2.4 时空数据挖掘 | 第25-27页 |
| 2.4.1 轨迹聚类 | 第26页 |
| 2.4.2 基于时空数据的用户相似性分析 | 第26-27页 |
| 2.5 本章小结 | 第27-28页 |
| 第三章 时空数据分析算法 | 第28-48页 |
| 3.1 轨迹聚类分析 | 第28-42页 |
| 3.1.1 轨迹划分算法 | 第29-34页 |
| 3.1.2 轨迹相似性度量 | 第34-36页 |
| 3.1.3 轨迹聚类算法 | 第36-42页 |
| 3.2 用户相似性分析 | 第42-46页 |
| 3.2.1 消费者兴趣点和兴趣区域发掘 | 第42-45页 |
| 3.2.2 用户相似性计算方法 | 第45-46页 |
| 3.3 本章小结 | 第46-48页 |
| 第四章 实验设计与实现 | 第48-53页 |
| 4.1 实验数据介绍 | 第48页 |
| 4.2 实验平台与工具 | 第48-49页 |
| 4.3 实验结果与分析 | 第49-53页 |
| 4.3.1 轨迹划分算法结果分析 | 第49页 |
| 4.3.2 聚类算法结果分析 | 第49-51页 |
| 4.3.3 用户相似性分析实验 | 第51-53页 |
| 第五章 结论与展望 | 第53-55页 |
| 5.1 本文总结 | 第53页 |
| 5.2 未来展望 | 第53-55页 |
| 参考文献 | 第55-57页 |
| 攻读硕士期间取得的研究成果 | 第57-58页 |
| 致谢 | 第58页 |
