基于位置的数据分析系统的设计与实现

发布时间：2020-11-05 04:36

　　 移动互联网时代是位置大数据的时代,随着位置定位生成的数据越来越多,位置数据分析的研究也愈发火热。目前针对位置数据的普遍处理方法是采用传统的数据处理方法后,对分析结果进行可视化呈现,不能满足用户需求,实现与模型的交互;或者针对位置数据的分析局限于用户的目标需求,忽视了规模数据由于采集时间阈值以及地图平面分布所造成的稀疏性以及在采集过程中用户偏好所造成的不均衡性等属性,最终降低了位置数据分析的精度。本文从位置数据的时空属性出发,利用时间序列分析以及位置数据分区技术解决了稀疏性,同时利用模式划分解决了不均衡性,在这过程中进行了交互,满足用户需求,使得位置数据的分析与可视化成为了研究重点。本文围绕数据平台针对用户进行位置数据分析的背景与需求,对基于位置的数据分析过程中所需要的相关理论知识以及技术方案进行了研究,最终设计并开发完成基于位置的数据分析系统。主要研究内容有:1.融入时序划分技术,解决了数据稀疏性。本文在位置数据的时间特性上,利用贝叶斯变点检测进行了划分,同时结合基本分析,设计了本系统在时间序列上的分析流程,并实现了基本分析,时序划分等功能模块。2.引进了位置数据的模式划分,解决了数据不均衡性。本文利用关系管理模型RFM以及聚类模型K-MEANS,完成数据模式划分,并按需对相应模式进行输出,实现了增量聚类,模式筛选等功能模块。3.实现了位置区域的划分,进行按需输出。本文在满足用户区域设置的要求下,利用DBSCAN聚类模型,完成了位置点数据与区域面数据的转换。同时,依据用户需求,对特定领域上区域面进行输出的过程,并实现了区域生成,领域匹配等功能模块。4.研究规模数据的SPARK处理流程化以及位置数据可视化的技术方案。本文的可交互模型,满足了用户需求,将零散的技术以功能模块的形式进行整合,最终转化为完整的系统。最后,通过双例测试验证了这些方法的有效性。基于上述研究内容和成果,本文构建并实现了基于位置的数据分析系统,该系统能够针对稀疏性以及不均衡性,满足用户需求,引入时序划分,模式划分,位置分区以及领域匹配技术,从而为数据系统输出指定领域下的区域面,实现了位置数据的分析,以便用户有效获取所需的知识。
【学位单位】：北京邮电大学
【学位级别】：硕士
【学位年份】：2018
【中图分类】：TP311.52
【部分图文】：

（ａ）原始数据?（ｂ）?ｋ－ｍｅａｎｓ聚类结果?（ｃ）?ＤＢＳＣＡＮ聚类结果??图２－１不均衡数据的聚类对比图??本文的数据模式分类需求是在解决不均衡性上提出来，以期望对数据属性??进一步挖掘。因此，如上图所示，基于划分的聚类Ｋ－ｍｅａｎｓ与本文的分离数据??需求更为贴切，因此采用Ｋ－ｍｅａｎｓ聚类来分离数据。??１２??

图２－４生成ＰＯＬＹＧＯＮ对比图??通过父集求取完成匹配过程的过程，不同Ｐｏｌｙｇｏｎ对象可以通过使用函数??ｉｎｔｅｒｓｅｃｔｉｏｎ（）进行求取。其中图２－４中（３）的白色部分即为两个ｐｏｌｙｇｏｎ根据该函??数求取的交集部分。??ｂ）高德地图ＡＰＩ??位置数据由于自身的点线面属性，在面向高德ＡＰＩ进行地图上的呈现时，??需要对这三方面的位置数据进行讨论。??高德ＡＰＩ提供了丰富的类库以满足开发者的各种开发需求，这些类库涵??盖：覆盖物、图层等，其中覆盖物包含点，线，面。利用ＡＰＩ与系统前端的交??互，采用ｊｓｏｎ串进行数据传输，向个人网站输出地图页面，方面位置数据分??析。??其中，关于点，线，面的分别基于ＬｎｇＬａｔ，Ｐｏｌｙｌｉｎｅ，?Ｐｏｌｙｇｏｎ这三种格式??进行存储，利用ｊｓｏｎ串进行前端与ＡＰＩ的交互。如图２－５，从左到右，１，?２，３??分别为对点，线，面的展示。??

?〇??ＢｕｆＦｅｒ〇?（＾７＾??图２－４生成ＰＯＬＹＧＯＮ对比图??通过父集求取完成匹配过程的过程，不同Ｐｏｌｙｇｏｎ对象可以通过使用函数??ｉｎｔｅｒｓｅｃｔｉｏｎ（）进行求取。其中图２－４中（３）的白色部分即为两个ｐｏｌｙｇｏｎ根据该函??数求取的交集部分。??ｂ）高德地图ＡＰＩ??位置数据由于自身的点线面属性，在面向高德ＡＰＩ进行地图上的呈现时，??需要对这三方面的位置数据进行讨论。??高德ＡＰＩ提供了丰富的类库以满足开发者的各种开发需求，这些类库涵??盖：覆盖物、图层等，其中覆盖物包含点，线，面。利用ＡＰＩ与系统前端的交??互，采用ｊｓｏｎ串进行数据传输，向个人网站输出地图页面，方面位置数据分??析。??其中，关于点，线，面的分别基于ＬｎｇＬａｔ，Ｐｏｌｙｌｉｎｅ，?Ｐｏｌｙｇｏｎ这三种格式??进行存储，利用ｊｓｏｎ串进行前端与ＡＰＩ的交互。如图２－５，从左到右，１，?２，３??分别为对点
【参考文献】

相关期刊论文 前10条

1 蒋宏宇;吴亚东;赵韦鑫;唐楷;;面向用户行为理解的移动通讯数据可视分析[J];浙江大学学报(理学版);2018年01期

2 畅玉洁;;大数据时代下的数据可视化方法[J];电子技术与软件工程;2018年01期

3 曾俊;;一种基于Hadoop架构的并行挖掘算法研究[J];现代电子技术;2018年01期

4 秦栓栓;;关于滴滴顺风车载客问题研究[J];信息技术与信息化;2017年12期

5 黄震;钱育蓉;范迎迎;杜娇;;Spark下遥感大数据特征提取的加速策略[J];计算机工程与设计;2017年12期

6 英昌甜;于炯;卞琛;王维庆;鲁亮;钱育蓉;;基于RDD关键度的Spark检查点管理策略[J];计算机研究与发展;2017年12期

7 吴玉珍;李小龙;刘波;谭永滨;;时空轨迹频繁模式挖掘研究进展[J];江西科学;2017年06期

8 耿晴;李兵;詹伟;;面向时空信息数据的大数据平台设计[J];地理空间信息;2017年10期

9 乔百友;朱俊海;郑宇杰;申木川;王国仁;;一种基于Spark的多路空间连接查询处理算法[J];计算机研究与发展;2017年07期

10 丁祥武;谭佳;王梅;;一种分类数据聚类算法及其高效并行实现[J];计算机应用与软件;2017年07期

相关博士学位论文 前1条

1 向峰;基于移动网络数据的用户行为与城市感知研究[D];华中科技大学;2014年

相关硕士学位论文 前2条

1 訾宪娟;基于浮动车轨迹数据的路网重构和地图匹配[D];山东大学;2016年

2 李翊;基于贝叶斯方法的均匀分布变点的估计[D];北京交通大学;2014年

本文编号：2871138