利用手机移动轨迹与通信信息的用户亲近关系挖掘算法研究

发布时间：2017-09-06 00:02

  本文关键词：利用手机移动轨迹与通信信息的用户亲近关系挖掘算法研究

  更多相关文章： 移动通信数据 共现模式 亲近关系 MapReduce

【摘要】：随着移动通信技术的发展,手机移动用户从3G通信时代进入4G互联时代。通信速度的提升,网络频谱的拓宽以及智能终端性能的不断提高,使得人们的日常通信质量得到逐步提升。多样的通信形式,稳定的移动网络,精确的定位技术和繁多的手机应用,丰富了人们的人际交往,点缀了移动用户的多彩生活。在日常的社交过程中,随着时间的推移,人们的社交圈会逐步趋于稳定。利用用户间社交行为的相关数据,可以推测用户间的社交亲近关系。用户间的亲近关系是其他诸多领域中应用研究的基础,例如好友推荐系统,相似兴趣爱好的社团发现,犯罪团伙预测,运营商营销策略的制定等等。本文利用移动手机用户的移动轨迹和用户间通信信息,挖掘移动手机用户间的亲近关系,主要工作和创新点如下：(1)提出了利用手机移动轨迹发现用户共现模式的算法。该算法强调规律性,从个体用户的生活规律角度出发,利用用户间运动模式的相似发现共现模式,推测用户间可能存在的亲近关系。实验结果表明该算法能有效地发现有意义的群体关系,并能发现用户生活模式的变化。(2)建立了利用移动手机用户通信数据的用户亲近关系模型,提出了亲近关系挖掘算法。在抽取用户通信行为特征时,除了通信的时长、次数因素外,还提取了分时段的数据属性特征,清晰地刻画了用户通信的时间行为。另外,算法量化了用户通信意愿的属性特征,表达了用户通信的主观行为。基于用户通信的时间行为和主观行为,模型在程度和类别上进一步划分了亲近关系。实验结果表明,该算法可以有效地展示用户间的亲近关系。(3)提出了用户共现模式挖掘的并行算法。为解决大数据环境下串行算法运算效率和数据存储的瓶颈问题,.本文利用MapReduce编程模型和大数据处理平台,实现用户共现模式的并行计算。实验结果表明,该并行算法可以较好地提高用户间共现模式发现的效率,并且随着数据量的不断增长,程序运行时间呈线性增长。
【关键词】：移动通信数据 共现模式 亲近关系 MapReduce
【学位授予单位】：南京师范大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TP311.13
【目录】：

• 摘要4-5
• Abstract5-9
• 第一章 绪论9-17
• 1.1 研究背景与意义9-11
• 1.2 用户亲近关系研究现状及研究意义11-15
• 1.2.1 利用移动用户位置信息推断用户间亲近关系11-13
• 1.2.2 利用移动用户间通信信息推断用户间的亲近关系13-15
• 1.3 本文研究内容15
• 1.4 本文组织结构15-17
• 第二章 用户亲近关系挖掘的相关理论17-24
• 2.1 数据挖掘理论简述17-18
• 2.2 时空轨迹模式挖掘概述18-21
• 2.2.1 伴随模式19-20
• 2.2.2 频繁模式20-21
• 2.2.3 异常模式21
• 2.2.4 聚集模式21
• 2.3 数据分类简述21-23
• 2.3.1 决策树归纳22
• 2.3.2 贝叶斯分类方法22-23
• 2.3.3 基于规则的分类方法23
• 2.4 本章小结23-24
• 第三章 利用手机移动轨迹发现用户共现模式的算法24-32
• 3.1 引言24
• 3.2 概念定义24-26
• 3.3 用户共现模式挖掘算法26-29
• 3.4 实验29-31
• 3.4.1 实验环境29
• 3.4.2 数据源29-30
• 3.4.3 实验结果30-31
• 3.5 本章小结31-32
• 第四章 利用手机用户通信信息发现用户间亲近关系32-45
• 4.1 引言32
• 4.2 用户亲近关系特征向量定义32-35
• 4.3 建立用户亲近关系模型35-38
• 4.4 用户亲近关系挖掘算法38-40
• 4.5 实验40-43
• 4.5.1 实验环境40
• 4.5.2 数据源40
• 4.5.3 实验结果40-43
• 4.6 本章小结43-45
• 第五章 用户共现模式并行程序设计45-53
• 5.1 Hadoop并行编程模型45-48
• 5.1.1 MapReduce编程模型45-47
• 5.1.2 HDFS文件系统47-48
• 5.2 用户共现模式并行挖掘算法48-52
• 5.2.1 可行性分析48
• 5.2.2 并行程序设计48-51
• 5.2.3 实验51-52
• 5.3 本章小结52-53
• 第六章 总结与展望53-55
• 6.1 总结53
• 6.2 展望53-55
• 参考文献55-60
• 致谢60

【相似文献】

中国期刊全文数据库 前10条

1 胡亮;裴莹;初剑峰;袁巍;王文博;樊丽;刘建男;;基于鼠标移动轨迹的真随机数产生方法[J];吉林大学学报(理学版);2011年05期

2 蒋新华;廖律超;邹复民;;基于浮动车移动轨迹的新增道路自动发现算法[J];计算机应用;2013年02期

3 王江锋;闫学东;邵春福;魏丽英;;基于Min-Max方法和移动轨迹融合的车辆无线定位算法[J];汽车工程;2012年05期

4 玛丽;;手持“利器”PERFACT Performance让课堂讲演更精彩[J];上海教育;2010年20期

5 玛丽;;手持“利器”PERFACT Performance让课堂讲演更精彩[J];上海教育;2010年Z2期

6 玛丽;;手持“利器”PERFACT Performance让课堂讲演更精彩[J];上海教育;2010年22期

7 叶春晓;宋为涛;;基于移动轨迹的集装箱码头中控调度研究[J];计算机应用研究;2011年08期

8 熊妍;罗泽;阎保平;;GPS位置历史挖掘和移动轨迹异常检测系统的设计与实现[J];计算机应用研究;2013年09期

9 吴国凤;吴善新;;基于MN的移动轨迹的MAP实时调整策略[J];计算机系统应用;2008年05期

10 周昌令;钱群;赵伊秋;尚群;;校园无线网用户群体的移动行为聚集分析[J];通信学报;2013年S2期

中国硕士学位论文全文数据库 前10条

1 林海标;移动轨迹挖掘算法设计与系统实现[D];华南理工大学;2015年

2 权宇澄;动物移动轨迹数据的挖掘研究[D];华东师范大学;2016年

3 钱琨;基于蜂窝信令数据的移动轨迹清洗和预测方法研究与实现[D];西南交通大学;2016年

4 隋雪芹;基于社会媒体的用户移动轨迹挖掘及其在朋友推荐中的应用研究[D];山东大学;2016年

5 安建瑞;基于MapReduce的用户移动轨迹序列模式挖掘算法研究[D];山东理工大学;2016年

6 刘敏;面向机会网络的人类移动轨迹特征分析方法的研究[D];南京邮电大学;2016年

7 王晨璐;利用手机移动轨迹与通信信息的用户亲近关系挖掘算法研究[D];南京师范大学;2016年

8 胡伟峰;道路网物体移动模式的研究[D];河海大学;2007年

9 宋为涛;基于移动轨迹的集装箱码头中控调度研究[D];重庆大学;2011年

10 谷小蕾;WSAN激励节点最优移动轨迹设计[D];西南交通大学;2012年

，

本文编号：800948