| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 1 绪论 | 第11-18页 |
| 1.1 引言 | 第11页 |
| 1.2 研究背景与意义 | 第11-12页 |
| 1.3 相关文献综述 | 第12-14页 |
| 1.4 论文的目标、主要内容、织结构及创新点 | 第14-18页 |
| 1.4.1 论文目标 | 第14-15页 |
| 1.4.2 论文主要内容 | 第15-16页 |
| 1.4.3 论文组织结构 | 第16-17页 |
| 1.4.4 论文主要创新点 | 第17-18页 |
| 2 出租车轨迹数据挖掘的基本理论和相关技术 | 第18-25页 |
| 2.1 出租车轨迹数据挖掘的基本理论 | 第18-21页 |
| 2.1.1 出租车轨迹数据基本概念 | 第18-19页 |
| 2.1.2 出租车轨迹数据的基本特征 | 第19页 |
| 2.1.3 出租车轨迹数据的来源和获取方法 | 第19-21页 |
| 2.1.3.1 浮动车采集技术 | 第19-20页 |
| 2.1.3.2 出租车轨迹数据的来源 | 第20-21页 |
| 2.2 轨迹数据挖掘的相关技术 | 第21-24页 |
| 2.2.1 轨迹数据挖掘方法 | 第21-22页 |
| 2.2.2 基于密度的聚类算法 | 第22-24页 |
| 2.2.2.1 DBSCAN算法 | 第22-23页 |
| 2.2.2.2 OPTICS算法 | 第23-24页 |
| 2.3 其他相关技术 | 第24-25页 |
| 2.3.1 GPS定位技术 | 第24页 |
| 2.3.2 手机移动定位技术 | 第24-25页 |
| 3 出租车轨迹数据预处理 | 第25-30页 |
| 3.1 轨迹数据预处理 | 第25-28页 |
| 3.1.1 数据冗余处理 | 第26页 |
| 3.1.2 数据缺失处理 | 第26-27页 |
| 3.1.3 数据漂移处理 | 第27-28页 |
| 3.2 地图匹配 | 第28-30页 |
| 4 基于出租车轨迹数据挖掘的乘客候车点推荐模型 | 第30-40页 |
| 4.1 乘客候车点 | 第30-31页 |
| 4.2 出租车停靠点挖掘 | 第31-36页 |
| 4.2.1 出租车停靠点搜索算法 | 第31-33页 |
| 4.2.2 出租车停靠点过滤 | 第33-35页 |
| 4.2.3 候选点群OPTICS方法聚类 | 第35-36页 |
| 4.3 乘客最佳候车点推荐 | 第36-37页 |
| 4.4 模型实证 | 第37-40页 |
| 4.4.1 出租车停靠点验证 | 第38-39页 |
| 4.4.2 实地测试 | 第39-40页 |
| 5 基于出租车轨迹数据挖掘的乘客推荐模型 | 第40-58页 |
| 5.1 研究动因 | 第40-41页 |
| 5.2 候选乘客集检索 | 第41-45页 |
| 5.2.1 出租车的近似连续k近邻检索（CkNN ） | 第41-44页 |
| 5.2.2 候选乘客集 | 第44-45页 |
| 5.3 出租车热点载客区域检测 | 第45-49页 |
| 5.3.1 数据处理 | 第46页 |
| 5.3.2 出租车载客时间段划分 | 第46-48页 |
| 5.3.3 按时段进行DBSCAN聚类 | 第48-49页 |
| 5.4 司机偏好挖掘 | 第49-51页 |
| 5.4.1 载客重点区域挖掘 | 第50-51页 |
| 5.4.2 司机偏好相关度 | 第51页 |
| 5.5 乘客推荐模型的建立 | 第51-53页 |
| 5.5.1 BP神经网络模型 | 第51-53页 |
| 5.5.2 乘客推荐模型 | 第53页 |
| 5.6 基于MatLab的乘客推荐模型仿真实验 | 第53-58页 |
| 6 总结及展望 | 第58-60页 |
| 6.1 现阶段工作总结 | 第58-59页 |
| 6.2 前景及展望 | 第59-60页 |
| 致谢 | 第60-61页 |
| 参考文献 | 第61-65页 |
| 在学期间发表的学术论文及研究成果 | 第65-66页 |