| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第一章 绪论 | 第11-14页 |
| 1.1 研究背景及意义 | 第11-12页 |
| 1.2 论文研究目标与主要工作 | 第12页 |
| 1.3 论文组织结构 | 第12-13页 |
| 1.4 本章小结 | 第13-14页 |
| 第二章 相关研究工作 | 第14-17页 |
| 2.1 位置预测方法 | 第14-15页 |
| 2.1.1 线性回归模型 | 第14页 |
| 2.1.2 基于神经网络的预测 | 第14页 |
| 2.1.3 基于Markov模型的位置预测 | 第14-15页 |
| 2.1.4 基于频繁轨迹的位置预测 | 第15页 |
| 2.2 基于历史位置的服务推荐 | 第15-16页 |
| 2.2.1 基于历史位置的用户相似度量 | 第15-16页 |
| 2.2.2 LBSN中的朋友推荐和地点推荐 | 第16页 |
| 2.3 本章小结 | 第16-17页 |
| 第三章 数据集的处理和分析 | 第17-26页 |
| 3.1 实验数据集 | 第17-19页 |
| 3.1.1 轨迹数据集 | 第17-18页 |
| 3.1.2 签到数据集 | 第18-19页 |
| 3.2 数据处理和过滤 | 第19-20页 |
| 3.3 数据分析 | 第20-25页 |
| 3.3.1 轨迹数据特征分析 | 第20-21页 |
| 3.3.2 签到数据特征分析 | 第21-25页 |
| 3.4 本章小结 | 第25-26页 |
| 第四章 基于时空数据挖掘的位置预测研究 | 第26-36页 |
| 4.1 体系框架及概述 | 第26页 |
| 4.2 位置信息抽象化处理 | 第26-29页 |
| 4.2.1 停留点探测 | 第27-28页 |
| 4.2.2 基于层次的停留点聚类 | 第28-29页 |
| 4.3 基于带时间特征的Markov模型的位置预测 | 第29-32页 |
| 4.3.1 带时间特征的n阶Markov模型 | 第29-31页 |
| 4.3.2 基于n-TMM的位置预测 | 第31-32页 |
| 4.4 实验及结果分析 | 第32-35页 |
| 4.4.1 实验环境及设置 | 第32页 |
| 4.4.2 评价指标 | 第32-33页 |
| 4.4.3 数据集的划分 | 第33页 |
| 4.4.4 预测效果对比 | 第33-35页 |
| 4.5 本章小结 | 第35-36页 |
| 第五章 基于时空数据挖掘的服务推荐研究 | 第36-53页 |
| 5.1 研究流程及概述 | 第36页 |
| 5.2 基于时空数据挖掘的用户相似度量设计 | 第36-42页 |
| 5.2.1 相似序列及匹配 | 第37-41页 |
| 5.2.2 序列相似度量 | 第41页 |
| 5.2.3 好友相似度量 | 第41-42页 |
| 5.2.4 混合相似度量 | 第42页 |
| 5.3 基于混合相似度的服务推荐 | 第42-46页 |
| 5.3.1 基于混合相似度的朋友推荐 | 第42-45页 |
| 5.3.2 基于用户的混合相似协同过滤的地点推荐 | 第45-46页 |
| 5.4 实验评估 | 第46-51页 |
| 5.4.1 实验环境及设置 | 第46-47页 |
| 5.4.2 数据集及评价标准 | 第47页 |
| 5.4.3 朋友推荐评估 | 第47-49页 |
| 5.4.4 地点推荐评估 | 第49-51页 |
| 5.5 本章小结 | 第51-53页 |
| 第六章 总结与展望 | 第53-55页 |
| 6.1 工作总结 | 第53页 |
| 6.2 未来展望 | 第53-55页 |
| 致谢 | 第55-56页 |
| 硕士期间发表论文 | 第56-57页 |
| 参考文献 | 第57-59页 |