| 摘要 | 第6-7页 |
| Abstract | 第7-8页 |
| 第一章 绪论 | 第9-13页 |
| 1.1 研究背景及意义 | 第9-10页 |
| 1.1.1 移动对象时空数据挖掘的背景 | 第9页 |
| 1.1.2 移动对象时空数据挖掘的意义 | 第9-10页 |
| 1.2 本文的主要研究内容 | 第10-12页 |
| 1.2.1 基于时空特征的轨迹数据预处理 | 第11页 |
| 1.2.2 基于热点区域的移动对象周期模式检测 | 第11-12页 |
| 1.2.3 原型系统的设计和开发 | 第12页 |
| 1.3 本文的组织结构 | 第12-13页 |
| 第二章 时空轨迹挖掘相关技术概述 | 第13-18页 |
| 2.1 时空轨迹挖掘的相关技术 | 第13-15页 |
| 2.1.1 时空模式挖掘技术（spatiotemporal pattern mining） | 第13-14页 |
| 2.1.2 时空聚类技术（spatiotemporal clustering） | 第14页 |
| 2.1.3 时空异常检测（spatiotemporal outlier detection） | 第14-15页 |
| 2.1.4 时空预测和分类（spatiotemporal prediction and classification） | 第15页 |
| 2.2 时空轨迹数据挖掘的研究现状 | 第15-17页 |
| 2.2.1 时空轨迹数据频繁模式挖掘的相关工作 | 第15-16页 |
| 2.2.2 移动对象周期模式发现的相关工作 | 第16-17页 |
| 2.3 小结 | 第17-18页 |
| 第三章 时空轨迹数据处理 | 第18-34页 |
| 3.1 数据挖掘中的数据预处理 | 第18-20页 |
| 3.1.1 数据预处理的必要性 | 第18页 |
| 3.1.2 数据预处理的主要步骤 | 第18-20页 |
| 3.1.3 本文采用的数据预处理技术 | 第20页 |
| 3.2 时空轨迹数据重复点识别和消除 | 第20-22页 |
| 3.3 基于频繁模式的轨迹补全算法 | 第22-29页 |
| 3.3.1 采样点缺失和稀疏的判别依据 | 第22-23页 |
| 3.3.2 采样点缺失和稀疏的处理策略 | 第23-29页 |
| 3.4 复杂性分析 | 第29页 |
| 3.5 实验及分析 | 第29-33页 |
| 3.5.1 数据集 | 第29-30页 |
| 3.5.2 实验一：时空轨迹数据重复点识别和消除 | 第30-31页 |
| 3.5.3 实验二：基于频繁模式的轨迹补全算法 | 第31-33页 |
| 3.6 小结 | 第33-34页 |
| 第四章 基于热点区域的周期模式发现 | 第34-42页 |
| 4.1 热点区域发现 | 第34-35页 |
| 4.2 周期模式发现 | 第35-38页 |
| 4.3 复杂性分析 | 第38页 |
| 4.4 实验及分析 | 第38-41页 |
| 4.4.1 实验一：热点区域发现 | 第38-39页 |
| 4.4.2 实验二：周期模式发现 | 第39-40页 |
| 4.4.3 实验对比 | 第40-41页 |
| 4.5 小结 | 第41-42页 |
| 第五章 原型系统设计 | 第42-51页 |
| 5.1 系统研发环境 | 第42页 |
| 5.2 系统逻辑结构设计 | 第42-43页 |
| 5.3 系统功能结构设计 | 第43-48页 |
| 5.3.1 系统功能结构 | 第43-44页 |
| 5.3.2 轨迹去重模块 | 第44-45页 |
| 5.3.3 轨迹补全模块 | 第45-46页 |
| 5.3.4 热点区域发现模块 | 第46页 |
| 5.3.5 周期模式发现模块 | 第46-47页 |
| 5.3.6 可视化模块 | 第47-48页 |
| 5.4 系统界面设计 | 第48-50页 |
| 5.5 小结 | 第50-51页 |
| 第六章 结论与展望 | 第51-53页 |
| 6.1 主要研究成果 | 第51-52页 |
| 6.2 进一步的工作 | 第52-53页 |
| 参考文献 | 第53-60页 |
| 攻读硕士学位期间的主要成果 | 第60-61页 |
| 致谢 | 第61页 |
