文献综述
由于交通方式选择涉及到的因素有很多，如出行者的习惯、喜好、一个时间段路况的变化、通勤空间、通勤距离[1]等，这些都是难以测定的存在，传统的集计建模[2]难以准确为用户推荐适合其的交通方式，但交通方式的选择，又跟交通规划和政策制定息息相关，影响着人们在城市中出行的效率，交通用地的数量和能否为出行者提供更好的服务。因此，基于时空间行为的个性化交通出行推荐[3]是当前急切的需求。
1.推荐系统
推荐系统的目的是在互联网带来的信息过载情况下,帮助用户进行信息过滤,结合用户的身份，使其能快速找到符合个人需求的信息。移动环境下推荐系统的一个重要特色是可以进行带有时间或者位置约束的个性化推荐。推荐系统通常分为基于内容的推荐、基于协同过滤的推荐、混合推荐。
1.1基于内容的推荐
基于内容的推荐算法是通过计算用户的需求特征和ＰＯＩ的属性特征来实现推荐，它的核心思想是利用用户浏览或者访问过的ＰＯＩ信息，建立用户偏好模型和ＰＯＩ特征模型，比较两者之间的相似度从而向用户推荐。基于内容的推荐算法一般都是使用一些机器学习算法，例如神经网络，贝叶斯模型，向量空间模型等来建立用户偏好模型。
1.2基于协同过滤的推荐
基于协同过滤的推荐其实就是通过分析与目标用户兴趣相似的某些用户,然后将他们感兴趣的内容推荐给目标用户。这种算法主要分为三步:用户评分;寻找最近邻居;推荐。基于协同过滤的推荐系统是从用户的角度来进行推荐的,用户可以自动获得系统的推荐，不需要主动去搜索自己感兴趣的信息。
与传统的基于内容的推荐算法相比，协同过滤算法有如下的优点:(1)适应性高，能对不同的物品以相同的方式处理，自动进行推荐。(2)针对不同的物品它利用用户的评分，不需要提取物品特征。(3)推荐质量好，利用相似用户或者相似物品的特性进行推荐，准确率高[4]。
1.3混合推荐
以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
