| 致谢 | 第5-6页 |
| 中文摘要 | 第6-7页 |
| ABSTRACT | 第7页 |
| 1 引言 | 第11-16页 |
| 1.1 研究背景与意义 | 第11-13页 |
| 1.1.1 商业领域的预测模型 | 第12页 |
| 1.1.2 Nokia 开源数据 | 第12-13页 |
| 1.2 国内外预测模型研究情况 | 第13-14页 |
| 1.2.1 国外预测模型研究情况 | 第13页 |
| 1.2.2 国内预测模型研究情况 | 第13-14页 |
| 1.3 本文主要研究工作 | 第14页 |
| 1.4 本文的结构 | 第14-15页 |
| 1.5 本章小结 | 第15-16页 |
| 2 相关预测技术综述 | 第16-26页 |
| 2.1 预测的理论可行性 | 第16-17页 |
| 2.2 现有理论基础 | 第17-20页 |
| 2.2.1 支持度 | 第17页 |
| 2.2.2 置信度 | 第17-18页 |
| 2.2.3 聚类模式 | 第18-19页 |
| 2.2.4 序列模式 | 第19页 |
| 2.2.5 相空间重构和窗口滑动均值 | 第19-20页 |
| 2.2.6 社会关系网预测 | 第20页 |
| 2.3 相关预测算法 | 第20-25页 |
| 2.3.1 先验概率论和正态分布算法 | 第20-22页 |
| 2.3.2 GSP算法 | 第22-23页 |
| 2.3.3 Aprior算法 | 第23-24页 |
| 2.3.4 PreFixSpan算法 | 第24-25页 |
| 2.4 本章小结 | 第25-26页 |
| 3 强关联地点项模型 | 第26-34页 |
| 3.1 强关联地点项 | 第26-27页 |
| 3.2 强关联地点项模型 | 第27-33页 |
| 3.2.1 数据清洗 | 第28页 |
| 3.2.2 数据切割 | 第28-29页 |
| 3.2.3 频繁地点项阈值设定 | 第29-30页 |
| 3.2.4 支持度、置信度迭代设置 | 第30页 |
| 3.2.5 原Apriori算法存在问题 | 第30-31页 |
| 3.2.6 基于改进Apriori算法的地点关联规则挖掘过程 | 第31-33页 |
| 3.3 本章小结 | 第33-34页 |
| 4 序列预测模型 | 第34-42页 |
| 4.1 地点序列预测模型 | 第34-41页 |
| 4.1.1 获取用户的地点信息 | 第35-36页 |
| 4.1.2 根据速度和地点类型筛选地点 | 第36页 |
| 4.1.3 序列模型中频繁地点阈值的初始化 | 第36-38页 |
| 4.1.4 序列模型中地点支持度 | 第38-39页 |
| 4.1.5 生成投影数据库 | 第39页 |
| 4.1.6 原PreFixSpan算法存在的问题 | 第39-40页 |
| 4.1.7 基于改进的PreFixSpan算法的序列模式挖掘过程 | 第40-41页 |
| 4.2 本章小结 | 第41-42页 |
| 5 算法实现 | 第42-52页 |
| 5.1 数据源介绍 | 第42-43页 |
| 5.2 数据处理 | 第43-46页 |
| 5.3 生成频繁地点候选项 | 第46-48页 |
| 5.4 生成扩展频繁地点项目 | 第48-49页 |
| 5.5 生成投影数据库 | 第49页 |
| 5.6 计算投影数据库中地点的支持度 | 第49-51页 |
| 5.7 本章小结 | 第51-52页 |
| 6 实验结果分析 | 第52-56页 |
| 6.1 通过对02号用户进行建模 | 第52-53页 |
| 6.2 实际结果验证 | 第53-55页 |
| 6.3 本章小结 | 第55-56页 |
| 7 总结与展望 | 第56-58页 |
| 7.1 论文总结 | 第56页 |
| 7.2 展望 | 第56-58页 |
| 参考文献 | 第58-60页 |
| 作者简历及攻读硕士 /博士学位期间取得的研究成果 | 第60-62页 |
| 学位论文数据集 | 第62页 |