摘要 | 第1-7页 |
ABSTRACT | 第7-10页 |
目录 | 第10-14页 |
表格 | 第14-16页 |
插图 | 第16-20页 |
第一章 绪论 | 第20-26页 |
·引言 | 第20-21页 |
·本文概述及主要贡献 | 第21-26页 |
第二章 移动对象和轨迹的k近邻(kNN)检索 | 第26-62页 |
·移动对象的近似连续k近邻(CkNN)检索 | 第26-37页 |
·相关工作 | 第27页 |
·路网嵌入和特征点近似 | 第27-31页 |
·特征集选取 | 第31-34页 |
·利用并行预处理优化CkNN检索 | 第34-35页 |
·实验 | 第35-37页 |
·基于聚合Top-k查询的kNN轨迹检索 | 第37-62页 |
·kNN轨迹检索 | 第37-40页 |
·从kNN轨迹检索到聚合Top-k查询 | 第40-41页 |
·无随机访问条件下Top-k查询的SNRA算法 | 第41-54页 |
·SNRA算法相关实验和讨论 | 第54-62页 |
第三章 轨迹挖掘的预处理 | 第62-94页 |
·地图分割 | 第62-69页 |
·地图表示模型 | 第62-64页 |
·基于形态学图像处理的地图分割算法 | 第64-69页 |
·地图匹配 | 第69-88页 |
·相关工作 | 第69-72页 |
·基于相互投票的低采样率地图匹配算法 | 第72-88页 |
·绕路检测和平滑 | 第88-94页 |
·不绕路准则 | 第89-90页 |
·平滑算法 | 第90-94页 |
第四章 基于出租车轨迹的智能行车路线规划 | 第94-142页 |
·引言 | 第94-97页 |
·相关定义 | 第97-98页 |
·系统概述 | 第98-100页 |
·知识发现 | 第98-100页 |
·服务提供 | 第100页 |
·时变的地标图(Landmark Graph)模型 | 第100-109页 |
·地标图的建立 | 第100-103页 |
·基于地标图的交通流估计 | 第103-109页 |
·基于m阶马尔科夫模型的交通流预测 | 第109-115页 |
·交通状况的m阶马尔科夫模型 | 第109-110页 |
·利用高维嵌入计算向前h-步转移矩阵 | 第110-115页 |
·路由算法 | 第115-119页 |
·粗粒度路由 | 第115-117页 |
·细粒度路由 | 第117-118页 |
·个性化路线学习和推荐 | 第118-119页 |
·实验及原型系统 | 第119-134页 |
·实验设置 | 第119-120页 |
·针对交通流估计的实验 | 第120-124页 |
·针对交通流预测的实验 | 第124-128页 |
·针对路径规划的实验 | 第128-134页 |
·相关工作 | 第134-136页 |
·在线驾车路径服务 | 第134-135页 |
·时变的最快路径 | 第135页 |
·基于交通流分析的方法 | 第135-136页 |
·个性化驾车路线 | 第136页 |
·附录:部分数学证明 | 第136-142页 |
第五章 基于出租车轨迹的智能推荐 | 第142-172页 |
·引言 | 第142-144页 |
·系统概述 | 第144-147页 |
·相关定义 | 第144-145页 |
·动机 | 第145-146页 |
·系统概况 | 第146-147页 |
·停泊点(Parking Place)检测 | 第147-151页 |
·候选点监测 | 第147-148页 |
·候选点过滤 | 第148-150页 |
·停泊点聚类 | 第150-151页 |
·推荐系统的概率模型 | 第151-160页 |
·出租车司机推荐模型 | 第151-158页 |
·乘客推荐模型 | 第158-160页 |
·路网聚类 | 第160-162页 |
·在线推荐及策略 | 第162-163页 |
·实验及原型系统 | 第163-169页 |
·实验设置 | 第163页 |
·候选点检测和停泊点聚类的实验 | 第163-164页 |
·离线统计的实验结果 | 第164-165页 |
·在线推荐的实验结果 | 第165-166页 |
·实地测试 | 第166-168页 |
·原型系统 | 第168-169页 |
·相关工作 | 第169-172页 |
·出租车调度系统 | 第169页 |
·基于位置的出租车司机推荐系统 | 第169-172页 |
第六章 结论与展望 | 第172-174页 |
·结论与相关成果 | 第172-173页 |
·未来工作构想 | 第173-174页 |
参考文献 | 第174-184页 |
附录A 在读期间发表的学术论文与取得的研究成果 | 第184-188页 |
致谢 | 第188页 |