海量低质轨迹数据重要位置发现与职住行应用研究

发布时间：2023-04-02 20:13

　　随着智能手机和移动互联网的发展普及,产生了海量的用户空间位置数据。分析大量的手机信令数据可以更好的理解用户行为,对提供精确时空推荐和预测服务具有重要意义。近年来,用户重要位置挖掘成为时空数据挖掘领域的研究热点。然而,现有的工作面临着许多挑战,包括轨迹数据的庞大规模、位置精度低等。由于具有地理空间覆盖范围广、数据样本量大、采集成本低等优点,手机信令数据已经成为城市交通各研究领域的重要数据基础和研究对象。首先,针对手机信令数据精度低的特点,本文设计了基于用户子轨迹片段的邻近轨迹插值融合方法,基于网格对用户轨迹进行划分,通过邻近轨迹对用户子轨迹片段进行融合补全,实现提高用户轨迹的可用性和准确性,为后续用户重要位置识别算法提供基础。其次,在总结现有的用户重要位置识别算法不足的基础上,构建了针对群体用户的调和矩阵表示人群的主要活动情况,提出了改进的用户重要位置识别算法MMA(Matrix base Mining Algorithm),并基于调和矩阵优化修正用户重要位置,以提高用户重要位置识别的准确性。最后,本文以脱敏后的手机信令数据为研究对象,提取用户的居住工作空间分布并完成了职住行应用分析。本...

【文章页数】：62 页

【学位级别】：硕士

【文章目录】：
摘要
abstract
第1章 绪论
    1.1 研究背景及意义
    1.2 国内外研究现状
        1.2.1 轨迹索引研究现状
        1.2.2 轨迹融合研究现状
        1.2.3 轨迹聚类研究现状
    1.3 论文主要工作
    1.4 论文章节组织结构
第2章 相关研究基础
    2.1 手机信令数据
    2.2 轨迹数据索引技术
        2.2.1 R树索引
        2.2.2 Voronoi图索引
        2.2.3 网格索引
    2.3 轨迹数据融合技术
        2.3.1 基于数据层方法
        2.3.2 基于特征层方法
        2.3.3 基于决策层方法
    2.4 聚类算法
        2.4.1 常用聚类方法
        2.4.2 轨迹聚类技术
    2.5 轨迹数据城市应用现状
    2.6 本章小结
第3章 低质轨迹数据融合方法
    3.1 引言
    3.2 轨迹段网格索引构建
    3.3 轨迹数据融合方法
    3.4 实验分析
    3.5 本章小结
第4章 海量用户重要位置发现算法
    4.1 算法框架
    4.2 相关定义
    4.3 调和矩阵
        4.3.1 索引结构
        4.3.2 索引构建
    4.4 聚类分析
        4.4.1 活动序列
        4.4.2 聚类算法
    4.5 重要位置修正
    4.6 本章小结
第5章 实验分析与应用
    5.1 实验环境
    5.2 实验数据集
    5.3 实验结果与分析
    5.4 职住应用分析
        5.4.1 城市管理者层面应用分析
        5.4.2 用户层面应用分析
    5.5 本章小结
第6章 总结与展望
    6.1 总结
    6.2 展望
致谢
参考文献
攻读硕士学位期间从事的科研工作及取得的成果



本文编号：3779872