CN103020244B - 区域影响分析系统及其分析方法 - Google Patents
区域影响分析系统及其分析方法 Download PDFInfo
- Publication number
- CN103020244B CN103020244B CN201210553412.9A CN201210553412A CN103020244B CN 103020244 B CN103020244 B CN 103020244B CN 201210553412 A CN201210553412 A CN 201210553412A CN 103020244 B CN103020244 B CN 103020244B
- Authority
- CN
- China
- Prior art keywords
- node
- point set
- probability
- spreading
- information
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
一种区域影响分析系统，通过确定分析目标，规划获取的数据对象，根据所述数据对象建立数据源站点列表；然后利用数据获取算法从数据源站点列表中的站点中获取数据对象，再对数据对象进行预处理后将其格式化为标准文件；并根据标准文件中以及所述分析目标中节点的经纬度信息对节点位置输出空间聚类；读入社会网络图结构，并根据所述社会网络图结构以及所述标准文件标记社区结构信息到节点；定义节点之间的传播概率，并根据选定的传播概率参数计算阈值函数θ，并根据阈值函数θ循环空间聚类节点集，并输出源点集、影响点集、知道点集以及空节点集；根据通覆率公式计算出每个空间聚类的覆盖率以及影响力。
Description
技术领域
本发明涉及社会网络技术，尤其涉及一种区域影响分析系统及其分析方法。
背景技术
随着Web2.0时代的到来，互联网涌现出了大量社会网站（如：Facebook、twitter、人人网、微博等），因此，社会网络研究受到越来越多研究人员的关注。在该领域涌现出众多关于社区发现、信息传播、社会网络应用等方面的研究工作，同时也发布了很多面向社会网络分析的软件和开源包，如Graphviz，igraph，NetMiner，Pajek等。社会网络在区域分析、信息传播、信息安全、社区挖掘、知识发现、舆情监督、专家查找、市场拓展等方面正发挥着越来越重要的作用。
在信息传播模型的研究和应用方面，Domingos和Richardson[1]首先提出了社会网络中的信息传播和影响问题，他们应用概率理论解决社会网络中信息影响最大的问题。而后，Kempe[2]等人首先形式化了信息传播模型，他们提出了独立传播模型（IC），度传播模型（WC）和线性传播模型（LT）。Chen[3]等人收集博客数据，根据能够在博客传播中发挥作用的五个属性，去构建传播模型。应用构建的模型实现信息在博客网络中的传播。Kimura[4]等人则提出基于最短路径的信息传播模型。随着社会网络分析的不断发展，信息传播模型中开始引入社区概念（社区就是高凝聚边的节点聚类）。Galstyan[5]等人提出基于社区结构的社会网络传播模型。信息传播的研究能够对区域分析、信息安全舆情监督、专家查找和市场拓展等提供有力的决策支持。
在空间位置研究和应用方面，空间聚类是数据挖掘领域的一个研究分支，空间聚类算法已经有很多年的研究，根据Han[6]的综述，空间聚类算法可以分为四类：划分聚类、网格聚类、基于密度的聚类和基于层次的聚类。随着空间定位技术和3G的普及，人们可以随时共享自己的位置信息。因此，获取用户的空间位置信息变得越来越容易，基于用户位置的应用也越来越广泛。
在国际上使用GIS技术采集数据并且创建专门的地图分析工具以便实时的反映某一地区的人口分布的应用已经越来越多，其中，较为典型的是Karen M.Bcker等人提出的结合地理信息系统对淋病的地理流行病的研究和刘纪远等关于SARS控制和预警的地理信息系统。
综上所述，社会网络中的信息传播模型包括独立传播模型、度传播模型和线性阈值传播模型，空间位置的应用则往往通过GIS技术获取用户的空间位置，然后采用已有的聚类方法实现位置的聚类等。但是，这些研究还只是在各自的领域实现各自的应用，并没有得到有效的融合。因此，有必要将用户的位置信息同社会网络相结合，将空间位置聚类研究和社会网络信息传播模型研究进行整合，形成一个基于社会网络的区域影响分析系统及方法。
发明内容
有鉴于此，有必要提供一种区域影响分析系统及其分析方法。
本发明提供的一种区域影响分析系统，包括：数据规划模块、数据获取模块、数据处理模块、节点位置聚类模块、标记模块、分析模块以及运算模块。其中，数据规划模块，用于确定分析目标，规划获取的数据对象，根据所述数据对象建立数据源站点列表；数据获取模块，用于利用数据获取算法从所述数据源站点列表中的站点中获取数据对象；数据处理模块，用于对所述数据对象进行预处理后将其格式化为标准文件，其中标准化文件包括：*.edb文件、*.vdb文件以及*.net文件；节点位置聚类模块，用于根据所述标准文件中的*.vdb文件中节点的经纬度信息对节点位置输出空间聚类；标记模块，用于读入社会网络图结构，并根据所述社会网络图结构以及所述标准文件的*.net文件标记社区结构信息到节点；分析模块，用于定义节点之间的传播概率，并根据选定的传播概率参数计算阈值函数θ，并根据阈值函数θ循环空间聚类节点集，并输出源点集、影响点集、知道点集以及空节点集；运算模块，用于根据通覆率公式：（|源点集|+|影响点集|+|知道点集|）/|空间聚类点集|计算出每个空间聚类的覆盖率，并根据|影响点集|/|源点集|得到每个空间聚类的影响力。
本发明还提供一种区域影响分析方法，包括以下步骤：确定分析目标，规划获取的数据对象，根据所述数据对象建立数据源站点列表；利用数据获取算法从所述数据源站点列表中的站点中获取数据对象；对所述数据对象进行预处理后将其格式化为标准文件，其中，标准化文件包括：*.edb文件、*.vdb文件以及*.net文件；根据所述标准文件的*.vdb文件中节点的经纬度信息对节点位置输出空间聚类；读入社会网络图结构，并根据所述社会网络图结构以及所述标准文件中的*.net文件标记社区结构信息到节点；定义节点之间的传播概率，并根据选定的传播概率参数计算阈值函数θ；根据阈值函数θ循环空间聚类节点集，并输出源点集、影响点集、知道点集以及空节点集；根据通覆率公式：（|源点集|+|影响点集|+|知道点集|）/|空间聚类点集|计算出每个空间聚类的覆盖率，并根据|影响点集|/|源点集|得到每个空间聚类的影响力。
本发明中的区域影响分析系统及其分析方法获取数据对象利用节点之间的传播概率得到空间聚类的覆盖率以及影响力，有效的实现了将用户的位置信息同社会网络相结合，能够为区域性社会影响的评估提供辅助决策支持服务。
附图说明
图1为本发明一实施方式中区域影响分析系统的模块图；
图2为本发明一实施方式中利用图1所示的区域影响分析系统进行分析的方法的流程图；
图3为不同节点之间传播概率示意图。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。
在本发明的描述中，术语“内”、“外”、“纵向”、“横向”、“上”、“下”、“顶”、“底”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明而不是要求本发明必须以特定的方位构造和操作，因此不能理解为对本发明的限制。
请参阅图1，图1所示为本发明一实施方式中区域影响分析系统10的模块图。
在本实施方式中区域影响分析系统10包括：数据规划模块102、数据获取模块104、数据处理模块106、节点位置聚类模块108、标记模块110、分析模块112、运算模块114、存储器116以及处理器118，其中，数据规划模块102、数据获取模块104、数据处理模块106、节点位置聚类模块108、标记模块108、分析模块112以及运算模块114存储在存储器116中，处理器118用于执行存储在存储器116中的功能模块。
在本实施方式中，数据规划模块102用于确定分析目标，规划获取的数据对象，根据所述数据对象建立数据源站点列表。
在本实施方式中，数据获取模块104用于利用数据获取算法从所述数据源站点列表中的站点中获取数据对象。在本实施方式中，数据获取模块104首先根据所述数据源站点列表中的站点获取目标链接，加载页面，而后对页面进行结构分析，获取结构化数据（数据对象）存储到存储器116中，同时将加载的页面以txt文本格式保存起来备份。
在本实施方式中，数据处理模块106用于对所述数据对象进行预处理后将其格式化为标准文件，其中标准化文件包括：*.edb文件、*.vdb文件以及*.net文件。
在本实施方式中，所述数据处理模块106首先去除所述数据对象中的噪音数据，然后对数据对象中的对边信息格式化，生成*.edb文件，对节点信息格式化，生成*.vdb，对关系信息格式化，生成*.net。
在本实施方式中，节点位置聚类模块108用于根据所述标准文件中的*.vdb文件中节点的经纬度信息对节点位置输出空间聚类。
在本实施方式中，节点位置聚类模块108首先随机选择K个节点作为中心节点进行聚类，而后，更新聚类信息和中心聚类节点信息，如果中心聚类节点发生变化，则根据新的中心聚类节点进行重新聚类，直到中心聚类节点不再发生变化，则输出K个空间聚类结果。
在本实施方式中，标记模块110用于读入社会网络图结构，并根据所述社会网络图结构以及所述标准文件的*.net文件标记社区结构信息到节点。
在本实施方式中，标记模块110利用Newman定义的ΔQ和Q，计算出所有节点对之间的ΔQ和整个图G的Q值。其次，判断ΔQ是否大于1，如果大于1，则选择最大的ΔQ进行节点合并工作，同时更新ΔQ和Q的值；如果ΔQ小于1则循环停止。选择Q值最大的时候所进行的合并记录，根据历史记录，循环到Q值最大时，从而得到最终的社区结构，然后根据所述标准文件的*.net文件标记社区结构信息到节点。
在本实施方式中，分析模块112用于定义节点之间的传播概率，并根据选定的传播概率参数计算阈值函数θ，并根据阈值函数θ循环空间聚类节点集，并输出源点集、影响点集、知道点集以及空节点集。
在本实施方式中，所述源点集为信息发源地节点的集合，所述影响点集为在传播过程中被激活的节点集合，所述知道点集为传播过程中未被激活但是获取到的传播概率不为零的节点集合，空节点集为传播过程中未被激活且获取到的传播概率为零的节点集合。
在本实施方式中，所述分析模块112还用于通过计算节点获取的传播概率值，并与所述阈值函数θ比较，若大于零小于θ，则该节点存入到知道点集，若大于θ，则该节点存入到影响点集，若等于0，则该节点存入到空节点集。
在本实施方式中，运算模块114用于根据通覆率公式：（|源点集|+|影响点集|+|知道点集|）/|空间聚类点集|计算出每个空间聚类的覆盖率，并根据|影响点集|/|源点集|得到每个空间聚类的影响力。
在本实施方式中，运算模块114还通过空间位置将覆盖率以及影响力显示在地图上。
请参阅图2，图2所示为本发明一实施方式中利用图1所示的区域影响分析系统10进行分析的方法的流程图。
在步骤S200，数据规划模块102确定分析目标，规划获取的数据对象。
在步骤S202，数据规划模块102根据所述数据对象建立数据源站点列表。
在步骤S204，数据获取模块104利用数据获取算法从所述数据源站点列表中的站点中获取数据对象。
在本实施方式中，数据获取模块104首先根据所述数据源站点列表中的站点获取目标链接，加载页面，而后对页面进行结构分析，获取结构化数据（数据对象）存储到存储器116中，同时将加载的页面以txt文本格式保存起来备份。
在步骤S206，数据处理模块106对所述数据对象进行预处理后将其格式化为标准文件，其中，标准化文件包括：*.edb文件、*.vdb文件以及*.net文件。
在本实施方式中，步骤S206中包括步骤：数据处理模块106对数据对象中的对边信息格式化，生成*.edb文件，对节点信息格式化，生成*.vdb，对关系信息格式化，生成*.net。
在步骤S208，节点位置聚类模块108根据所述标准文件的*.vdb文件中节点的经纬度信息对节点位置输出空间聚类。
在本实施方式中，节点位置聚类模块108首先随机选择K个节点作为中心节点进行聚类，而后，更新聚类信息和中心聚类节点信息，如果中心聚类节点发生变化，则根据新的中心聚类节点进行重新聚类，直到中心聚类节点不再发生变化，则输出K个空间聚类。
在步骤S210，标记模块110读入社会网络图结构，并根据所述社会网络图结构以及所述标准文件中的*.net文件标记社区结构信息到节点。
在本实施方式中，标记模块110利用Newman定义的ΔQ和Q，计算出所有节点对之间的ΔQ和整个图G的Q值。其次，判断ΔQ是否大于1，如果大于1，则选择最大的ΔQ进行节点合并工作，同时更新ΔQ和Q的值；如果ΔQ小于1则循环停止。选择Q值最大的时候所进行的合并记录，根据历史记录，循环到Q值最大时，从而得到最终的社区结构，然后根据所述标准文件的*.net文件标记社区结构信息到节点。
在步骤S212，分析模块112定义节点之间的传播概率，并根据选定的传播概率参数计算阈值函数θ。
请参阅图3，图3所示为不同节点之间的传播概率的示意图。
在本实施方式中，分析模块112给出不同类型节点之间传播的概率定义：α1表示发源地节点（循环初始阶段，设定的活跃节点）到同社区不同空间位置聚类节点的传播概率，α2表示发源地节点到不同社区不同空间位置聚类节点的传播概率，β1表示被激活节点（被其他节点影响之后具有影响力的节点）到同一社区不同位置聚类节点的传播概率，β2表示被激活节点到不同社区不同位置聚类节点的传播概率。同时，分析模块112设定θ为激活阈值，如果节点从其邻居节点获取到的传播概率之和大于θ，则该节点被激活。反之，不被激活。其中θ是与α1,α2,β1,β2有关的阈值函数。
请继续参阅图2，在步骤S214，分析模块112根据阈值函数θ循环空间聚类节点集，并输出源点集、影响点集、知道点集以及空节点集。
在本实施方式中，所述源点集为发源地节点信息的集合，所述影响点集为在传播过程中被激活的节点集合，所述知道点集为传播过程中未被激活但是获取到的传播概率不为零的节点集合，空节点集为传播过程中未被激活且获取到的传播概率为零的节点集合。
在本实施方式中，分析模块在节点从其邻居节点获取到的传播概率之和大于所述阈值函数θ，则激活所述节点。
在本实施方式中，步骤S214包括：
激活所述空间聚类节点集作为被激活节点，存入到源点集中；
计算节点获取的传播概率值，并与θ比较；
若所述传播概率值大于零，小于θ，则该将节点存入到知道点集；
若所述传播概率值大于θ，则该节点存入到影响点集；
若所述传播概率值等于0，则该节点存入到空节点集。
在步骤S216，运算模块114根据通覆率公式：（|源点集|+|影响点集|+|知道点集|）/|空间聚类点集|计算出每个空间聚类的覆盖率，并根据|影响点集|/|源点集|得到每个空间聚类的影响力。
在本实施方式中，运算模块114还通过空间位置将覆盖率以及影响力显示在地图上。
本发明中的区域影响分析系统10及其分析方法获取数据对象利用节点之间的传播概率得到空间聚类的覆盖率以及影响力，有效的实现了将用户的位置信息同社会网络相结合，能够为区域性社会影响的评估提供辅助决策支持服务。
虽然本发明参照当前的较佳实施方式进行了描述，但本领域的技术人员应能理解，上述较佳实施方式仅用来说明本发明，并非用来限定本发明的保护范围，任何在本发明的精神和原则范围之内，所做的任何修饰、等效替换、改进等，均应包含在本发明的权利保护范围之内。
Claims (10)
1.一种区域影响分析系统，包括：
数据规划模块，用于确定分析目标，规划获取的数据对象，根据所述数据对象建立数据源站点列表；
数据获取模块，用于利用数据获取算法从所述数据源站点列表中的站点中获取数据对象；
数据处理模块，用于对所述数据对象进行预处理后将其格式化为标准文件，其中标准化文件包括：*.edb文件、*.vdb文件以及*.net文件；
节点位置聚类模块，用于根据所述标准文件中的*.vdb文件中节点的经纬度信息对节点位置输出空间聚类：节点位置聚类模块首先随机选择K个节点作为中心节点进行聚类，而后，更新聚类信息和中心聚类节点信息，如果中心聚类节点发生变化，则根据新的中心聚类节点进行重新聚类，直到中心聚类节点不再发生变化，则输出K个空间聚类结果；
标记模块，用于读入社会网络图结构，并根据所述社会网络图结构以及所述标准文件的*.net文件标记社区结构信息到节点：标记模块利用Newman定义的ΔQ和Q，计算出所有节点对之间的ΔQ和整个图G的Q值，判断ΔQ是否大于1，如果大于1，则选择最大的ΔQ进行节点合并工作，同时更新ΔQ和Q的值；如果ΔQ小于1则循环停止；选择Q值最大的时候所进行的合并记录，根据历史记录，循环到Q值最大时，从而得到最终的社区结构，然后根据所述标准文件的*.net文件标记社区结构信息到节点；
分析模块，用于定义节点之间的传播概率，并根据选定的传播概率参数计算阈值函数θ，并根据阈值函数θ循环空间聚类节点集，并输出源点集、影响点集、知道点集以及空节点集；
运算模块，用于根据通覆率公式：(|源点集|+|影响点集|+|知道点集|)/|空间聚类点集|计算出每个空间聚类的覆盖率，并根据|影响点集|/|源点集|得到每个空间聚类的影响力。
2.如权利要求1所述的区域影响分析系统，其特征在于，所述数据处理模块用于去除所述数据对象中的噪音数据。
3.如权利要求2所述的区域影响分析系统，其特征在于，所述数据处理模块对数据对象中的对边信息格式化，生成*.edb文件，对节点信息格式化，生成*.vdb，对关系信息格式化，生成*.net。
4.如权利要求1所述的区域影响分析系统，其特征在于，所述源点集为信息发源地节点的集合，所述影响点集为在传播过程中被激活的节点集合，所述知道点集为传播过程中未被激活但是获取到的传播概率不为零的节点集合，空节点集为传播过程中未被激活且获取到的传播概率为零的节点集合。
5.如权利要求4所述的区域影响分析系统，其特征在于，所述分析模块还用于通过计算节点获取的传播概率值，并与所述阈值函数θ比较，若大于零小于θ，则该节点存入到知道点集，若大于θ，则该节点存入到影响点集，若等于0，则该节点存入到空节点集。
6.一种区域影响分析方法，包括：
确定分析目标，规划获取的数据对象，根据所述数据对象建立数据源站点列表；
利用数据获取算法从所述数据源站点列表中的站点中获取数据对象；
对所述数据对象进行预处理后将其格式化为标准文件，其中，标准化文件包括：*.edb文件、*.vdb文件以及*.net文件；
根据所述标准文件*.vdb文件中节点的经纬度信息对节点位置输出空间聚类：首先随机选择K个节点作为中心节点进行聚类，而后，更新聚类信息和中心聚类节点信息，如果中心聚类节点发生变化，则根据新的中心聚类节点进行重新聚类，直到中心聚类节点不再发生变化，则输出K个空间聚类结果；
读入社会网络图结构，并根据所述社会网络图结构以及所述标准文件中的*.net文件标记社区结构信息到节点：利用Newman定义的ΔQ和Q，计算出所有节点对之间的ΔQ和整个图G的Q值，判断ΔQ是否大于1，如果大于1，则选择最大的ΔQ进行节点合并工作，同时更新ΔQ和Q的值；如果ΔQ小于1则循环停止；选择Q值最大的时候所进行的合并记录，根据历史记录，循环到Q值最大时，从而得到最终的社区结构，然后根据所述标准文件的*.net文件标记社区结构信息到节点；
定义节点之间的传播概率，并根据选定的传播概率参数计算阈值函数θ；
根据阈值函数θ循环空间聚类节点集，并输出源点集、影响点集、知道点集以及空节点集；
根据通覆率公式：(|源点集|+|影响点集|+|知道点集|)/|空间聚类点集|计算出每个空间聚类的覆盖率，并根据|影响点集|/|源点集|得到每个空间聚类的影响力。
7.如权利要求6所述的区域影响分析方法，其特征在于，“对所述数据对象进行预处理后将其格式化为标准文件”的步骤包括：
对数据对象中的对边信息格式化，生成*.edb文件，对节点信息格式化，生成*.vdb，对关系信息格式化，生成*.net。
8.如权利要求6所述的区域影响分析方法，其特征在于，所述源点集为发源地节点信息的集合，所述影响点集为在传播过程中被激活的节点集合，所述知道点集为传播过程中未被激活但是获取到的传播概率不为零的节点集合，空节点集为传播过程中未被激活且获取到的传播概率为零的节点集合。
9.如权利要求8所述的区域影响分析方法，其特征在于，“根据阈值函数θ循环空间聚类节点集，并输出源点集、影响点集、知道点集以及空节点集”的步骤包括：
激活所述空间聚类节点集作为被激活节点，存入到源点集中；
计算节点获取的传播概率值，并与θ比较；
若所述传播概率值大于零，小于θ，则该节点存入到知道点集；
若所述传播概率值大于θ，则该节点存入到影响点集；
若所述传播概率值等于0，则该节点存入到空节点集。
10.如权利要求9所述的区域影响分析方法，其特征在于，激活节点的步骤包括：
若节点从其邻居节点获取到的传播概率之和大于所述阈值函数θ，则激活所述节点。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201210553412.9A CN103020244B (zh) | 2012-12-19 | 2012-12-19 | 区域影响分析系统及其分析方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201210553412.9A CN103020244B (zh) | 2012-12-19 | 2012-12-19 | 区域影响分析系统及其分析方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN103020244A CN103020244A (zh) | 2013-04-03 |
| CN103020244B true CN103020244B (zh) | 2016-09-07 |
Family
ID=47968847
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201210553412.9A Active CN103020244B (zh) | 2012-12-19 | 2012-12-19 | 区域影响分析系统及其分析方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN103020244B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106933949B (zh) * | 2017-01-20 | 2020-09-11 | 浙江大学 | 一种控制社交网络中影响力爆发的规划方法 |
| CN112800301B (zh) * | 2021-03-19 | 2023-10-31 | 湖南人文科技学院 | 一种舆情大数据处理系统及方法 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101383748A (zh) * | 2008-10-24 | 2009-03-11 | 北京航空航天大学 | 一种复杂网络中的社区划分方法 |
-
2012
- 2012-12-19 CN CN201210553412.9A patent/CN103020244B/zh active Active
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101383748A (zh) * | 2008-10-24 | 2009-03-11 | 北京航空航天大学 | 一种复杂网络中的社区划分方法 |
Non-Patent Citations (1)
| Title |
|---|
| 面向机会社会网络的服务广告分发机制;郑啸等;《计算机学报》;20120630;第35卷(第6期);1235-1246 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN103020244A (zh) | 2013-04-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Xiao et al. | Nonlinear and synergistic effects of TOD on urban vibrancy: Applying local explanations for gradient boosting decision tree | |
| Jiang et al. | Activity-based human mobility patterns inferred from mobile phone data: A case study of Singapore | |
| Rashidi et al. | Exploring the capacity of social media data for modelling travel behaviour: Opportunities and challenges | |
| Xu et al. | Understanding aggregate human mobility patterns using passive mobile phone location data: A home-based approach | |
| Hu et al. | A geo-ontology design pattern for semantic trajectories | |
| Ye et al. | Mining individual life pattern based on location history | |
| Wang et al. | Understanding travellers’ preferences for different types of trip destination based on mobile internet usage data | |
| Yu et al. | Modeling user activity patterns for next-place prediction | |
| Wismans et al. | Improving a priori demand estimates transport models using mobile phone data: a Rotterdam-region case | |
| CN106156528A (zh) | 一种轨迹数据停留识别方法及系统 | |
| John et al. | Deriving incline values for street networks from voluntarily collected GPS traces | |
| Sun et al. | Identifying tourists and locals by K-means clustering method from mobile phone signaling data | |
| Ahmed et al. | Real-time dynamic traffic control based on traffic-state estimation | |
| Bordogna et al. | An interoperable open data framework for discovering popular tours based on geo-tagged tweets | |
| Brdar et al. | Big data processing, analysis and applications in mobile cellular networks | |
| Mokbel et al. | Towards mobility data science (vision paper) | |
| Amirat et al. | Nextroute: a lossless model for accurate mobility prediction | |
| CN103020244B (zh) | 区域影响分析系统及其分析方法 | |
| Li et al. | Delineation of the Shanghai megacity region of China from a commuting perspective: Study based on cell phone network data in the Yangtze River Delta | |
| Jia et al. | Identification and analysis of urban influential regions using spatial interaction networks | |
| Mucceli et al. | On the regularity of human mobility | |
| Wen et al. | A review of the use of geosocial media data in agent-based models for studying urban systems | |
| Encalada et al. | Mining big data for tourist hot spots: Geographical patterns of online footprints | |
| Bachir | Estimating urban mobility with mobile network geolocation data mining | |
| Basta et al. | Geo-social mobility model for VANET simulation |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| C14 | Grant of patent or utility model | ||
| GR01 | Patent grant |