| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第9-12页 |
| 1.1 研究背景 | 第9-10页 |
| 1.2 研究内容 | 第10-11页 |
| 1.3 论文结构 | 第11-12页 |
| 第二章 基于Hadoop的移动互联网用户移动性预测模型设计 | 第12-20页 |
| 2.1 Hadoop数据分析平台 | 第12-14页 |
| 2.2 基于Hadoop的移动性预测模型 | 第14-19页 |
| 2.2.1 移动数据采集模块 | 第14-16页 |
| 2.2.2 移动数据存储模块 | 第16页 |
| 2.2.3 移动数据预处理模块 | 第16-17页 |
| 2.2.4 移动性分析模块 | 第17-18页 |
| 2.2.5 移动性预测模块 | 第18-19页 |
| 2.3 实验数据描述 | 第19-20页 |
| 第三章 移动互联网用户重要位置提取方法研究 | 第20-37页 |
| 3.1 Point of Interests (POI)序列 | 第20-21页 |
| 3.2 重要位置参数的评估 | 第21-22页 |
| 3.3 基于距离的重要位置提取算法 | 第22-25页 |
| 3.3.1 K-means算法 | 第22-23页 |
| 3.3.2 Leader-Follower Clustering(LFC)算法 | 第23-25页 |
| 3.4 基于密度的重要位置提取算法 | 第25-33页 |
| 3.4.1 Density-and-Join-based Clustering(DJC)算法 | 第26-28页 |
| 3.4.2 Density Variation Based Spatial Clustering of Applications with Noise(DVBSCAN)算法 | 第28-32页 |
| 3.4.3 驻留点序列提取算法 | 第32-33页 |
| 3.5 基于时间(time-based)的重要位置提取算法 | 第33-35页 |
| 3.6 几种POI提取算法的对比与评估 | 第35-37页 |
| 第四章 移动互联网用户的移动性分析 | 第37-46页 |
| 4.1 用户移动行为的可预测性的研究 | 第37页 |
| 4.2 常规位置与非常规位置 | 第37页 |
| 4.3 熵方法 | 第37-46页 |
| 4.3.1 基于Markov预测的熵算法 | 第39-41页 |
| 4.3.2 改进的熵算法 | 第41-44页 |
| 4.3.3 不同熵算法的对比与评估 | 第44-46页 |
| 第五章 移动互联网用户移动性预测方法研究 | 第46-63页 |
| 5.1 用户聚类 | 第46-47页 |
| 5.2 传统预测算法 | 第47-53页 |
| 5.2.1 Markov预测算法 | 第48-49页 |
| 5.2.2 Lempel-Ziv (LZ)预测算法 | 第49-52页 |
| 5.2.3 Sampled Pattern Matching(SPM)预测算法 | 第52-53页 |
| 5.2.4 传统预测算法的对比 | 第53页 |
| 5.3 传统算法的改进预测模型 | 第53-61页 |
| 5.3.1 基于State Based Prediction (SBP)算法的预测模型 | 第54-59页 |
| 5.3.2 基于State Based Prediction (SBP)算法的预测模型性能评估 | 第59-61页 |
| 5.4 基于不同预测方法的移动性预测模型性能对比 | 第61-63页 |
| 第六章 总结与展望 | 第63-65页 |
| 参考文献 | 第65-68页 |
| 致谢 | 第68-69页 |
| 攻读学位期间发表的学术论文目录 | 第69页 |
