基于异质信息网络的出行行为分析及相似性度量方法研究

发布时间：2020-04-05 18:20

【摘要】：近年来,城市计算和智能交通成为了交通领域的研究热点,其中用户的出行行为分析以及行为建模是工作基础,可支持大量增值性研究,例如交通出行需求分析、交通流预测以及群体服务推荐等。现有研究主要从GPS数据中挖掘有限、独立的出行特征,存在忽视特征之间语义联系、模型拓展性较差等问题。因此,构建能够完整描绘用户出行行为,理解出行特征之间联系的出行模型具有很重要的意义。本文分析了用户出行行为研究的现状,从GPS数据中抽取包括出行时间、位置以及服务等不同类型对象,分析对象之间的关系类型与语义信息,构造异质出行网络模型表示。在此基础上,定义出行元路径,对出行特征及其关系进行表示与相似性分析,运用机器学习方法自动发现具有相似出行特征的用户。实验结果表明,采用本文所提出的复合元路径算法比一般的算法有更好的效果。主要研究工作如下:(1)结合用户出行对位置敏感的特性,挖掘停留位置的语义信息,分析并进行用户出行特征数据提取。(2)研究异质信息网络理论,构造异质出行网络模型。该模型从GPS数据中抽取包括出行时间、位置以及服务等不同类型对象,分析对象之间的关系类型。定义出行元路径,表示星型网络模式下的对象间语义关系,进行出行特征分析。(3)采用元路径定义特征相似性,运用PathSim、SimRank与随机游走方法构造相似向量,确定度量方法。结合线性回归技术自动融合不同元路径下的相似性度量结果,确定相似用户。(4)采用10-折交叉验证方法对Geolife样本数据集进行相似度标定。在1000对用户数据集上,选取80%的数据输入到分类器中进行训练。使用测试集中的用户对数据,分别对单元路径下相似性算法与复合多元路径下相似性算法进行查全率、查准率与AUC(Area under the ROC curve)的验证。结果显示,在各个指标下,复合元路径下相似算法远远好于单元路径相似算法。
【图文】：

地理论构建个人行为模型，可以按照步骤详细说明用户出行行为的变化，可以比较模拟个体日常出行的位置序列和行为活动[46]。还可以通过对用户出行轨迹使用聚类来提取兴趣点，以便于将来建模反映用户在出行地理位置上的偏好。例如，Jun Li，WZhang 等人[47]通过对广州市主要多个区城市内大规模多源数据进行交通流可视化，2.2 所示。使用社区检测和网络分析方法，研究了用户出行方式的空间和时间变化有文献[48]中，Yu Hu 等人在研究日常交通流量状况时，通过利用出行的早高峰、午和晚高峰时间交通流量，结合高斯数学模型构建混合流量模型，来刻画人群的日常如图 2.3 所示，最终该模型对于不规律的出行流也有很好的效果。上述建模方式虽然可以清楚的发现用户的出行偏好，但是在建模过程中对出行这一出行特征不够重视，并且因为出行用户之间可能存在社交关系，没有考虑出行之间可能会产生的相互影响作用。故建立的模型不能直观描述出行用户与用户之间关关系，仅从整体上或者独立个体的角度来进行出行行为的分析与建模，仅使用了的出行行为特征，描述的出行情况比较单薄。

流量网络

WennaZhang 等人[47]通过对广州市主要多个区城市内大规模多源数据进行交通流可视化，如图2.2 所示。使用社区检测和网络分析方法，研究了用户出行方式的空间和时间变化。还有文献[48]中，Yu Hu 等人在研究日常交通流量状况时，通过利用出行的早高峰、午高峰和晚高峰时间交通流量，结合高斯数学模型构建混合流量模型，来刻画人群的日常出行。如图 2.3 所示，最终该模型对于不规律的出行流也有很好的效果。上述建模方式虽然可以清楚的发现用户的出行偏好，但是在建模过程中对出行服务这一出行特征不够重视，并且因为出行用户之间可能存在社交关系，没有考虑出行用户之间可能会产生的相互影响作用。故建立的模型不能直观描述出行用户与用户之间的相关关系，仅从整体上或者独立个体的角度来进行出行行为的分析与建模，，仅使用了单一的出行行为特征，描述的出行情况比较单薄。图 2.1 用户出行与社交关系[46]图 2.2 公交流量网络结构[47]
【学位授予单位】：长安大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：TP391.3;U495

【参考文献】