基于智能手机流量与传感器数据的用户基础属性研究

发布时间：2017-06-27 08:08

  本文关键词：基于智能手机流量与传感器数据的用户基础属性研究，由笔耕文化传播整理发布。

【摘要】：用户的基础属性信息(例如性别、年龄、收入状况、文化程度、宗教信仰等)在个性化服务中具有重要的意义,比如定向广告投递、智能推荐系统以及其他方面。然而,这些信息对于用户来说都被认为属于隐私信息,许多用户存在个人信息保护方面的考虑,拒绝将这些隐私信息分享给服务提供商。针对上述问题,本文提出了一种新颖的方法——利用智能手机的流量与传感器数据对用户基础属性进行研究。首先,智能手机作为一种随身携带的移动终端,相比于电脑终端与用户一对多的对应关系,智能手机终端与用户基本保持在一一对应的状态,所以基于智能手机终端对用户的基础属性信息预测成为了新的研究方向。其次,随着智能手机在大众中的普及,目前已基本覆盖每一个人,并且APP(Application)的开发者,即服务提供商,能够通过智能手机操作系统提供的API(Application Programming Interface)获取到大量能够反应智能手机使用情况的数据,例如APP的使用情况、流量的使用情况、传感器返回的数据。所以基于上述两个特点,保证了从智能手机获取的数据与用户基础属性之间的强烈关联特性。在实验过程中,我们通过对收集到的智能手机数据进行数据分析与处理,发现不同基础属性的用户,其数据的分布与构成存在不同的特性,所以我们对流量与传感器数据定义了相应的特征,并对收集到的数据提取对应的特征数据,使用特征数据构成特征矩阵R与用户相关联,将特征矩阵R作为分类器的输入,通过分类算法对用户的基础属性进行预测。最后,我们设计了用户基础属性研究的系统模型,Android客户端收集用户数据,服务器端通过用户数据对用户基础属性进行预测,并且在用户基础属性信息预测的基础上,为Android客户端提供个性化的服务。本文收集真实世界用户数据,并对研究方案进行验证,实验结果表明通过本文提出的研究方案,基于流量数据在用户性别基础属性的预测中准确率(Acc)为86.50%,Macro F1值为86.43%;基于加速度数据的准确率(Acc)和Macro F1值均为84.64%。
【关键词】：智能手机流量 传感器数据 基础属性预测 个性化服务
【学位授予单位】：电子科技大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TN929.53
【目录】：

• 摘要5-6
• ABSTRACT6-11
• 第一章 绪论11-17
• 1.1 研究背景及意义11-12
• 1.2 国内外研究现状12-15
• 1.2.1 基于电脑终端的用户基础属性研究12-13
• 1.2.2 基于智能手机终端的用户基础属性研究13-15
• 1.3 论文的研究内容15
• 1.4 论文的章节结构安排15-17
• 第二章 相关技术与算法17-38
• 2.1 分类算法介绍17-29
• 2.1.1 决策树分类算法17-19
• 2.1.2 贝叶斯分类算法19-21
• 2.1.3 支持向量机21-25
• 2.1.4 Boosting算法25-29
• 2.2 智能手机传感器硬件29-37
• 2.2.1 加速度传感器29-30
• 2.2.2 陀螺仪传感器30-32
• 2.2.3 GPS传感器32-34
• 2.2.4 磁力传感器34-35
• 2.2.5 距离传感器35-37
• 2.3 本章小结37-38
• 第三章 研究方案与数据说明38-50
• 3.1 用户基础属性研究问题定义38-39
• 3.2 交叉验证方法39-41
• 3.2.1 Hold-Out交叉验证39-40
• 3.2.2 K-fold交叉验证40
• 3.2.3 Leave-One-Out交叉验证40-41
• 3.3 研究方案流程41-48
• 3.3.1 数据收集与预处理41-43
• 3.3.1.1 流量数据收集与格式42
• 3.3.1.2 加速度传感器数据收集与格式42-43
• 3.3.2 特征定义与提取43-45
• 3.3.2.1 流量特征定义与提取43-44
• 3.3.2.2 加速度传感器数据特征定义与提取44-45
• 3.3.3 用户基础属性预测45-47
• 3.3.3.1 流量数据分类器构建45-46
• 3.3.3.2 加速度数据分类器构建46-47
• 3.3.4 个性化服务47-48
• 3.4 实验结果评价指标48-49
• 3.5 基于智能手机预测的其他常用方案49
• 3.6 本章小结49-50
• 第四章 用户基础属性研究系统模型50-60
• 4.1 系统模型设计目标50
• 4.2 开发环境与部署50-51
• 4.3 系统模型架构图51-52
• 4.4 系统模型功能模块52-59
• 4.4.1 Android客户端模块52-56
• 4.4.1.1 Android开发技术52-53
• 4.4.1.2 数据收集功能53-54
• 4.4.1.3 数据管理功能54-55
• 4.4.1.4 数据上传功能55-56
• 4.4.2 服务器端模块56-58
• 4.4.2.1 任务调度功能56-57
• 4.4.2.2 任务处理功能57-58
• 4.4.2.3 数据管理功能58
• 4.4.2.4 个性化服务功能58
• 4.4.3 客户端-服务器端通信模块58-59
• 4.5 本章小结59-60
• 第五章 实验结果分析60-68
• 5.1 实验数据集60-61
• 5.1.1 流量数据集60
• 5.1.2 加速度数据集60-61
• 5.2 数据集分析61-65
• 5.2.1 流量数据集分析62-63
• 5.2.2 加速度数据集分析63-65
• 5.3 系统模型预测结果分析65-67
• 5.3.1 基于流量的预测结果65
• 5.3.2 基于传感器数据的预测结果65-67
• 5.3.3 与常用方案结果的对比67
• 5.4 本章小结67-68
• 第六章 结束语68-70
• 6.1 论文工作总结68
• 6.2 论文研究的下一步展望68-70
• 致谢70-71
• 参考文献71-75
• 攻读硕士学位期间取得的成果75-76

【相似文献】

中国期刊全文数据库 前10条

1 王杜 ,张凤志;角度传感器数据自动处理装置[J];黑龙江大学自然科学学报;1989年02期

2 崔筱宁;赵保华;李青;周颢;;传感器数据中事件样本与错误样本的系统化区分框架[J];西安交通大学学报;2010年10期

3 王志胜,周军,周凤岐;异质传感器数据的最优线性融合[J];中国惯性技术学报;2002年05期

4 吴祖堂,王群书,蒋庄德;传感器数据证实技术应用研究[J];仪器仪表学报;2004年05期

5 刘文涛;杨建华;赵忠;赵方鹏;;利用嵌入式技术实现传感器数据网络共享[J];测控技术;2007年04期

6 宋文彬;;差异维度传感器数据融合新方法[J];电讯技术;2013年03期

7 李琦,陶利民,刘其锋;基于人工神经网络理论的传感器数据证实方法[J];机械设计与制造工程;1998年04期

8 马维利,黄冬泉;异类传感器数据融合的一种新算法[J];咸阳师范学院学报;2005年02期

9 罗鸿逵,霍凯,吴铎;传感器数据处理及回归分析[J];内燃机车;1995年09期

10 基里亚科斯·P·扎沃尔凯斯 ,米科齐斯劳·M·科卡 ,成文彩;传感器数据融合系统的代数说明[J];情报指挥控制系统与仿真技术;1995年03期

中国重要会议论文全文数据库 前4条

1 刘荣利;文传博;文成林;;传感器数据存在随机一步延迟的线性无偏估计[A];第25届中国控制会议论文集（中册）[C];2006年

2 宋绍民;张振飞;王耀南;;传感器数据的精确重构方法及其性能研究[A];第二十九届中国控制会议论文集[C];2010年

3 宋国民;张为公;翟羽健;;基于模糊推理误差模型的传感器数据分析[A];2000全国力学量传感器及测试、计量学术交流会论文集[C];2000年

4 向坚;俞坚;叶绿;;一种基于RFID的新传感器数据流在线清理框架[A];第六届全国信息获取与处理学术会议论文集（3）[C];2008年

中国博士学位论文全文数据库 前1条

1 唐雅娟;发动机试验传感器数据证实的软计算方法与系统实现研究[D];国防科学技术大学;2007年

中国硕士学位论文全文数据库 前10条

1 陈冬;基于手机传感器数据的道路拥挤程度分析[D];西南交通大学;2015年

2 姜天宇;基于多MEMS传感器数据融合的组合测姿系统的设计与实现[D];东南大学;2015年

3 唐远洋;基于智能手机流量与传感器数据的用户基础属性研究[D];电子科技大学;2016年

4 朱小兰;传感器数据融合中的鲁棒性研究[D];重庆师范大学;2016年

5 罗潇;传感器数据补偿算法的设计与实现[D];华中科技大学;2011年

6 韩秋廷;基于粒子滤波的能量高效传感器数据查询处理技术[D];南京航空航天大学;2012年

7 徐涛;基于发布/订阅机制的传感器数据分发系统的设计与实现[D];电子科技大学;2011年

8 谭伟;多源信息融合技术在水上交通中的应用研究[D];重庆交通大学;2011年

9 张英杰;基于时间序列分析的隧道传感器数据预测研究[D];西安电子科技大学;2011年

10 周文雯;基于图语法的多媒体传感器数据融合[D];重庆邮电大学;2015年

  本文关键词：基于智能手机流量与传感器数据的用户基础属性研究，由笔耕文化传播整理发布。

，

本文编号：489034