| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 1 绪论 | 第9-13页 |
| 1.1 研究背景及意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-11页 |
| 1.2.1 兴趣区域发现的研究现状 | 第10页 |
| 1.2.2 位置推荐的研究现状 | 第10-11页 |
| 1.3 本文主要研究内容 | 第11-12页 |
| 1.4 本文组织结构 | 第12-13页 |
| 2 相关理论与技术 | 第13-27页 |
| 2.1 轨迹数据挖掘概述 | 第13-19页 |
| 2.1.1 轨迹数据的特点 | 第13-14页 |
| 2.1.2 轨迹模式 | 第14-16页 |
| 2.1.3 挖掘方法 | 第16-18页 |
| 2.1.4 挖掘过程 | 第18-19页 |
| 2.2 聚类技术概述 | 第19-23页 |
| 2.2.1 划分聚类 | 第19-20页 |
| 2.2.2 层次聚类 | 第20-21页 |
| 2.2.3 密度聚类 | 第21-22页 |
| 2.2.4 网格聚类 | 第22页 |
| 2.2.5 模型聚类 | 第22-23页 |
| 2.3 推荐系统概述 | 第23-26页 |
| 2.3.1 基于内容的推荐 | 第23-24页 |
| 2.3.2 协同过滤 | 第24页 |
| 2.3.3 基于知识的推荐 | 第24-25页 |
| 2.3.4 推荐系统评测 | 第25-26页 |
| 2.4 本章小结 | 第26-27页 |
| 3 基于改进的DBSCAN的ROI发现方法 | 第27-36页 |
| 3.1 基本概念 | 第27-29页 |
| 3.1.1 轨迹 | 第27页 |
| 3.1.2 GPS轨迹 | 第27页 |
| 3.1.3 停留点 | 第27-29页 |
| 3.1.4 兴趣区域 | 第29页 |
| 3.2 改进的DBSCAN方法 | 第29-34页 |
| 3.2.1 DBSCAN算法 | 第29-31页 |
| 3.2.2 OPTICS算法 | 第31-32页 |
| 3.2.3 改进的DBSCAN算法 | 第32-34页 |
| 3.3 兴趣区域发现方法 | 第34-35页 |
| 3.4 本章小结 | 第35-36页 |
| 4 基于协同过滤的潜在ROI推荐方法 | 第36-43页 |
| 4.1 基于模式的对象相似度 | 第36-40页 |
| 4.1.1 模式相似度 | 第37-39页 |
| 4.1.2 对象相似度的计算 | 第39-40页 |
| 4.2 基于矩阵的区域相似度 | 第40-41页 |
| 4.2.1 对象-区域评分矩阵 | 第41页 |
| 4.2.2 区域相似度的计算 | 第41页 |
| 4.3 潜在兴趣区域推荐方法 | 第41-42页 |
| 4.4 本章小结 | 第42-43页 |
| 5 实验及结果分析 | 第43-54页 |
| 5.1 实验环境及评价方法 | 第43-46页 |
| 5.1.1 实验环境 | 第43页 |
| 5.1.2 数据集 | 第43-45页 |
| 5.1.3 评价方法 | 第45-46页 |
| 5.2 兴趣区域发现结果及分析 | 第46-50页 |
| 5.2.1 停留点提取结果 | 第46-47页 |
| 5.2.2 改进的DBSCAN聚类结果 | 第47-48页 |
| 5.2.3 改进的DBSCAN与DBSCAN对比分析 | 第48-50页 |
| 5.3 潜在兴趣区域推荐结果及分析 | 第50-52页 |
| 5.3.1 评分矩阵构建结果 | 第51页 |
| 5.3.2 潜在兴趣区域推荐结果 | 第51-52页 |
| 5.3.3 两种推荐算法的对比分析 | 第52页 |
| 5.4 本章小结 | 第52-54页 |
| 总结与展望 | 第54-55页 |
| 参考文献 | 第55-60页 |
| 攻读硕士学位期间发表论文及科研成果 | 第60-61页 |
| 致谢 | 第61-62页 |