| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 1 绪论 | 第9-21页 |
| 1.1 研究背景 | 第9-10页 |
| 1.1.1 多情景源数据分析 | 第9页 |
| 1.1.2 移动轨迹数据挖掘 | 第9-10页 |
| 1.2 研究意义 | 第10-11页 |
| 1.3 国内外研究现状 | 第11-13页 |
| 1.4 研究内容和思路 | 第13-14页 |
| 1.4.1 研究内容 | 第13页 |
| 1.4.2 研究思路 | 第13-14页 |
| 1.5 用户轨迹挖掘模型 | 第14-18页 |
| 1.6 文章结构 | 第18-19页 |
| 1.7 本章小结 | 第19-21页 |
| 2 用户轨迹相似性匹配 | 第21-33页 |
| 2.1 引言 | 第21-22页 |
| 2.2 轨迹概述 | 第22页 |
| 2.3 轨迹相似度量 | 第22-26页 |
| 2.3.1 欧式距离 | 第23页 |
| 2.3.2 最长公共子序列 | 第23-24页 |
| 2.3.3 Hausdorff距离 | 第24-26页 |
| 2.4 基于时间约束的Hausdorff距离的轨迹相似度量 | 第26-27页 |
| 2.5 轨迹相似性匹配 | 第27-29页 |
| 2.6 实验与分析 | 第29-30页 |
| 2.6.1 数据集 | 第29页 |
| 2.6.2 实验分析 | 第29-30页 |
| 2.7 本章小结 | 第30-33页 |
| 3 用户轨迹特征提取 | 第33-45页 |
| 3.1 引言 | 第33页 |
| 3.2 轨迹特征描述 | 第33-35页 |
| 3.3 特定时间段轨迹特征提取 | 第35-39页 |
| 3.3.1 获取停留点 | 第35-37页 |
| 3.3.2 获取兴趣点 | 第37-39页 |
| 3.4 轨迹特征语义化 | 第39-40页 |
| 3.5 实验与分析 | 第40-42页 |
| 3.6 本章小结 | 第42-45页 |
| 4 用户下一地点预测 | 第45-53页 |
| 4.1 引言 | 第45页 |
| 4.2 朴素贝叶斯分类 | 第45-46页 |
| 4.3 基于多情景的用户下一地点预测 | 第46-49页 |
| 4.3.1 空间属性概率计算 | 第47页 |
| 4.3.2 时间属性概率计算 | 第47页 |
| 4.3.3 室外气温属性概率计算 | 第47-48页 |
| 4.3.4 基于非极大值限制的用户下一地点预测 | 第48-49页 |
| 4.4 实验与分析 | 第49-51页 |
| 4.5 本章小结 | 第51-53页 |
| 5 总结与展望 | 第53-55页 |
| 5.1 本文总结 | 第53-54页 |
| 5.2 研究展望 | 第54-55页 |
| 参考文献 | 第55-61页 |
| 作者攻读学位期间发表论文(含录用)清单 | 第61-63页 |
| 致谢 | 第63页 |