移动对象旅行同伴挖掘和位置预测研究
| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第一章 引言 | 第10-17页 |
| 1.1 研究背景 | 第10-13页 |
| 1.2 国内外研究现状 | 第13-15页 |
| 1.3 论文主要工作 | 第15-16页 |
| 1.4 论文组织 | 第16-17页 |
| 第二章 基本概念 | 第17-27页 |
| 2.1 移动对象的基本概念 | 第17-19页 |
| 2.1.1 移动对象的特点 | 第17-18页 |
| 2.1.2 移动对象管理 | 第18-19页 |
| 2.2 频繁模式的挖掘 | 第19-22页 |
| 2.2.1 移动对象频繁模式挖掘的常用方法 | 第19-20页 |
| 2.2.2 常见的聚类算法 | 第20-22页 |
| 2.3 常见的位置预测方法 | 第22-26页 |
| 2.3.1 线性回归预测模型 | 第23页 |
| 2.3.2 基于马尔可夫模型的位置预测 | 第23-24页 |
| 2.3.3 灰色GM(1,1)预测 | 第24-25页 |
| 2.3.4 基于频繁路径的位置预测 | 第25-26页 |
| 2.4 本章小结 | 第26-27页 |
| 第三章 基于信息熵的旅行同伴划分结点的确定 | 第27-35页 |
| 3.1 信息熵 | 第27-30页 |
| 3.1.1 信息熵的概念 | 第27-28页 |
| 3.1.2 信息增益 | 第28-30页 |
| 3.2 轨迹结点的划分 | 第30-32页 |
| 3.3 算法描述 | 第32-33页 |
| 3.4 实验结果与分析 | 第33-34页 |
| 3.5 本章小结 | 第34-35页 |
| 第四章 基于RFID轨迹数据的旅行同伴发现算法 | 第35-46页 |
| 4.1 问题描述 | 第35-36页 |
| 4.2 子轨迹簇的生成 | 第36-38页 |
| 4.3 旅行同伴发现算法 | 第38-42页 |
| 4.3.1 聚类相交算法(CI) | 第38-39页 |
| 4.3.2 封闭聚类相交算法(CCI) | 第39-42页 |
| 4.4 实验及其性能分析 | 第42-44页 |
| 4.5 本章小结 | 第44-46页 |
| 第五章 基于时空后缀树模型的位置预测算法 | 第46-55页 |
| 5.1 预测系统的框架 | 第46-47页 |
| 5.2 后缀树模型的建立 | 第47-50页 |
| 5.2.1 频繁区域的生成和轨迹转换 | 第47-48页 |
| 5.2.2 后缀树模型的建立 | 第48-50页 |
| 5.3 预测阶段 | 第50-52页 |
| 5.4 实验结果及分析 | 第52-54页 |
| 5.5 本章小结 | 第54-55页 |
| 第六章 总结和展望 | 第55-58页 |
| 6.1 本文的主要研究成果 | 第55-56页 |
| 6.2 未来的研究方向 | 第56-58页 |
| 参考文献 | 第58-64页 |
| 致谢 | 第64-65页 |
| 攻读学位期间发表的学术论文 | 第65-66页 |
| 攻读学位期间参加的研究工作 | 第66-68页 |
