| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-18页 |
| 1.1 研究背景与意义 | 第10-12页 |
| 1.2 国内外研究现状 | 第12-15页 |
| 1.2.1 时空数据研究现状 | 第12-13页 |
| 1.2.2 推荐算法研究现状 | 第13-14页 |
| 1.2.3 路线推荐研究现状 | 第14-15页 |
| 1.3 研究内容和创新点 | 第15-16页 |
| 1.3.1 本文的研究内容 | 第15页 |
| 1.3.2 本文的主要创新点 | 第15-16页 |
| 1.4 论文组织结构 | 第16-18页 |
| 第二章 相关研究与技术 | 第18-29页 |
| 2.1 传统推荐算法 | 第18-20页 |
| 2.1.1 基于物品的协同过滤算法 | 第18-20页 |
| 2.1.2 基于用户的协同过滤算法 | 第20页 |
| 2.2 数据挖掘算法 | 第20-25页 |
| 2.2.1 爬虫技术 | 第20-22页 |
| 2.2.2 中文分词技术 | 第22-23页 |
| 2.2.3 频繁模式分析 | 第23-25页 |
| 2.3 时空轨迹分析 | 第25-27页 |
| 2.3.1 基于欧氏距离的聚类 | 第26页 |
| 2.3.2 基于最小外包矩形的聚类 | 第26页 |
| 2.3.3 基于最长公共子序列距离的聚类 | 第26-27页 |
| 2.4 路线生成算法 | 第27-28页 |
| 2.4.1 路线生成问题的定义 | 第27-28页 |
| 2.4.2 遗传算法 | 第28页 |
| 2.5 本章小结 | 第28-29页 |
| 第三章 基于时空数据的景点推荐 | 第29-50页 |
| 3.1 整体架构 | 第29-30页 |
| 3.2 数据获取与预处理 | 第30-34页 |
| 3.2.1 数据获取 | 第30-31页 |
| 3.2.2 数据预处理 | 第31-34页 |
| 3.3 基于Mean Shift聚类算法的核心访问矩阵构建 | 第34-39页 |
| 3.3.1 用户停留点分析 | 第34-36页 |
| 3.3.2 Mean Shift聚类算法 | 第36-37页 |
| 3.3.3 景点区域构建 | 第37-39页 |
| 3.3.4 整体算法流程 | 第39页 |
| 3.4 用户轨迹分析 | 第39-42页 |
| 3.4.1 用户轨迹描述 | 第40页 |
| 3.4.2 Hausdorff距离 | 第40-41页 |
| 3.4.3 时间窗口 | 第41-42页 |
| 3.4.4 基于滑动窗口的用户轨迹相似度 | 第42页 |
| 3.5 实验设计与分析 | 第42-49页 |
| 3.5.1 旅游数据处理 | 第43-45页 |
| 3.5.2 停留点分析及景点聚类 | 第45-46页 |
| 3.5.3 用户轨迹分析 | 第46-47页 |
| 3.5.4 推荐效果评价 | 第47-49页 |
| 3.6 本章小结 | 第49-50页 |
| 第四章 基于遗传算法的路线推荐 | 第50-67页 |
| 4.1 整体框架 | 第50-51页 |
| 4.2 基于MST聚类的景点区域分割 | 第51-52页 |
| 4.3 基于改进遗传算法的路线推荐方法 | 第52-61页 |
| 4.3.1 选择编码方式 | 第53-54页 |
| 4.3.2 基于贪心算法的初始种群创建 | 第54-55页 |
| 4.3.3 基于时空特性的适应度函数 | 第55-58页 |
| 4.3.4 遗传操作及改进 | 第58-61页 |
| 4.4 实验设计与分析 | 第61-66页 |
| 4.4.1 遗传算法的参数估计 | 第61-62页 |
| 4.4.2 改进遗传算法的性能分析 | 第62-64页 |
| 4.4.3 路线推荐整体效果分析 | 第64-66页 |
| 4.5 本章总结 | 第66-67页 |
| 第五章 总结与展望 | 第67-69页 |
| 5.1 总结 | 第67-68页 |
| 5.2 展望 | 第68-69页 |
| 参考文献 | 第69-73页 |
| 致谢 | 第73-74页 |
| 攻读学位期间发表的学术论文目录 | 第74页 |