基于WiFi签到数据的学生行为分析及预测研究

发布时间：2023-12-09 17:18

　　随着大数据时代的到来,利用大数据技术对大学生群体的研究越来越多,且智能移动终端在大学校园内的迅速普及,使得大学校园积累了大量基于位置的社交网络(Location-Based Social Networks,LBSNs)数据,为学生行为分析提供了客观条件。文中使用学生WiFi签到数据集进行兴趣点(Point-of-interest,POI)推荐,提出基于校园地理信息的Logistic矩阵分解(Campus Geographic Information based Logistic Matrix Factorization,CGLMF)POI推荐算法和密集数据矩阵分解嵌入(Matrix Factorization Embedding for Dense Data,MFED)算法在校园真实数据集进行实验,并将算法的实验效果在校园WiFi签到数据分析系统进行可视化分析。具体来说,本文主要贡献如下:(1)本文基于校园地理模型和融合地理信息的POI推荐算法提出基于校园地理信息的Logistic矩阵分解(CGLMF)POI推荐算法,该算法利用学生个人信息和校园地理信息,通过考虑学生的主要活动区域和该...

【文章页数】：67 页

【学位级别】：硕士

【文章目录】：
摘要
abstract
1 绪论
    1.1 研究背景
        1.1.1 传统推荐系统
        1.1.2 基于位置的社交网络数据
    1.2 国内外研究现状
    1.3 本文主要工作
    1.4 本文组织结构
2 WiFi签到数据采集与分析技术基础
    2.1 数据采集
    2.2 数据预处理
        2.2.1 数据清洗
        2.2.2 轨迹分段、路网匹配
        2.2.3 数据预处理工具
    2.3 数据分析
    2.4 WiFi签到数据集基本特征
    2.5 本章小结
3 融合地理信息的兴趣点推荐
    3.1 校园地理信息模型
    3.2 基于校园地理信息的Logistic矩阵分解
    3.3 实验结果与验证
        3.3.1 评测指标
        3.3.2 对比实验
        3.3.3 实验结果
        3.3.4 参数调整
    3.4 本章小结
4 密集数据矩阵分解嵌入算法
    4.1 推荐算法分析
    4.2 密集数据矩阵分解嵌入算法
        4.2.1 问题定义
        4.2.2 模型架构
        4.2.3 MFED算法
        4.2.4 目标函数
        4.2.5 模型训练
        4.2.6 模型对比
    4.3 实验分析与验证
        4.3.1 评测指标
        4.3.2 实验效果
        4.3.3 参数调整
    4.4 本章小结
5 校园WiFi签到数据分析系统
    5.1 系统设计概述
    5.2 系统需求
    5.3 设计实现
        5.3.1 行为数据分析
        5.3.2 可视化
    5.4 本章小结
6 总结与展望
    6.1 研究成果总结
    6.2 展望
参考文献
附录:攻读学位期间发表的学术论文及参与项目
致谢



本文编号：3871889