基于语义轨迹挖掘的选址问题研究和实现

发布时间：2021-04-05 11:30

　　近年来随着人们对选址重要性的认知提升,选址问题成为当今的研究热点之一。而选址中最重要的一点就是识别区域内人们是否有相关需求。目前区域内兴趣点需求分析大部分基于人工调查或者轨迹数据。但传统的时空轨迹只有地理信息,无法精准获得人们的目的地的兴趣点分类。随着位置共享服务的激增以及社交平台的流行,语义丰富的轨迹的出现改进了传统轨迹需要推断目的地兴趣点分类的缺点。然而目前没有专门利用语义轨迹挖掘区域性兴趣点分类需求以及推荐选址的算法。基于“用脚投票”理论,人们跨区域的移动行为可以推断人们的兴趣点分类需求。频繁模式挖掘也基于该理论间接挖掘区域兴趣点分类需求,然而因为频繁阈值的设定会导致部分需求被忽略并且递归式搜寻太过耗时。此外,研究者们主要围绕特定兴趣点分析特征,缺少适用性强的选址框架。针对上述不足,本文在“用脚投票”理论下利用语义轨迹构建了一套基于区域性兴趣点分类需求挖掘的选址系统,提高选址准确率的同时满足高效性及高适用性的要求。本文将该系统分成了四个子模块,分别为社交媒体数据预处理、跨区域移动模式抽取、区域性兴趣点分类需求识别及选址推荐。在社交媒体预处理模块,聚合签到并基于最大时间间隔限制切分... 

【文章来源】：华东师范大学上海市 211工程院校 985工程院校 教育部直属院校

【文章页数】：77 页

【学位级别】：硕士

【部分图文】：

兴趣点示例

华东师范大学研究生硕士学位论文第一章绪论图1.2全局空间下人们移动轨迹假设个区域中人们对于不同兴趣点分类的需求，以及需求强度如何衡量。也就是说，如果能够从签到记录中抽取出跨区域移动模式，根据“用脚投票”理论发现并准确识别出当中隐含的该区域用户对于某些类型兴趣点的需求，那么就能按照需求强度量化后的区域性兴趣点分类需求向该区域用户推荐合适的兴趣点分类或者对特定兴趣点分类推荐合适的安置位置。因此对于选址系统而言，只要能够首先构建两个子模块来分别解决以上问题，那将两个模块整合后便可以解决选址的核心问题。换而言之，一旦选址系统被像这样拆分后，拆解出的每个模块都可以把更多注意力放在当前需要处理的子问题上。本文根据这个拆解思路，将选址系统进一步拆成了四个部分，分别为社交媒体数据预处理模块、关键的跨区域移动模式抽取模块以及区域性兴趣点分类需求识别模块和最终的选址推荐模块。对于每一个模块，本文都对其特点和模型展开详细介绍。在社交媒体数据预处理模块中，本文对数据主要做了以下几种处理。第一步便是将社交媒体平台上的签到记录聚合成语义轨迹。接着便是轨迹切分。“用脚投票”理论表明人们有能力去迁移到任何可以满足自己需求的地方。从现实角度考虑，如果一个人越是需要一种特定兴趣点类型那么他前往具有该种类型兴5

?畹敝?经常使用的百度、谷歌等。当人们使用带有GPS定位功能的手机进行搜索时，搜索引擎就在持续收集这些搜索记录，这些记录显而易见也带有时间戳和位置属性。但这些数据并不对外公开。另一种质量更高的数据来源便是人工采集数据，代表性的数据集包括MIT的RealityMining1、美国人时间利用调查2等。这些调查数据除了描述人们的行为目的以外还包含了被调查人的人口数据（如性别、年龄等），给人的行为行动提供了更丰富的解释，但获取这些数据并不便宜。所以最为公开、广泛使用的还是用户自主产生、发布在社交平台上的内容。图2.1一条带有地理位置标签的tweet示例语义时空数据作为时空数据挖掘领域热门的数据表示方式之一，它的出现使得研究者可以更加直观得对人们的行为有一个统一的认识。与传统的GPS轨迹或者RFID数据相比，它蕴含更多维度的信息，时间、空间以及文本。有了语义时空数据，相当于人们不仅知道了人们行为的发生地点和发生时间，也知道了具体的行为内容，对行为有了一个联合的认识。以行为理解为例，传统的轨迹数据只能揭示一个人如何从一个地方移动到另一个地方，是坐公交巴士、地铁还是搭乘出租车。而语义轨迹可以帮助科学家们理解人们在不同位置下所展示的行为，比如该人是出于什么目的进行移动。图2.2以图的形式展示了语义时空数据的表达形式。在图中用地理信息通过兴趣点的经纬度来表示，而时间反映在访问记录的时间戳属性上，用户、访问记录和兴趣点则都和一些语义文本相关联。用户的语义相关信息可以是用户的兴趣或者职业等人口统计数据。对于兴趣点来说，它的语义信息则包含它的兴趣点1http://realitycommons.media.mit.edu/index.html2www.bls.gov/tus/11


本文编号：3119551