CN105243128B - 一种基于签到数据的用户行为轨迹聚类方法 - Google Patents
一种基于签到数据的用户行为轨迹聚类方法 Download PDFInfo
- Publication number
- CN105243128B CN105243128B CN201510636889.7A CN201510636889A CN105243128B CN 105243128 B CN105243128 B CN 105243128B CN 201510636889 A CN201510636889 A CN 201510636889A CN 105243128 B CN105243128 B CN 105243128B
- Authority
- CN
- China
- Prior art keywords
- user
- registering
- data
- register
- cluster
- 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
- 238000000034 method Methods 0.000 title claims abstract description 53
- 230000000694 effects Effects 0.000 claims abstract description 8
- 230000008569 process Effects 0.000 claims abstract description 7
- 230000009471 action Effects 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 238000012804 iterative process Methods 0.000 claims description 3
- 230000003203 everyday effect Effects 0.000 claims 1
- 238000004422 calculation algorithm Methods 0.000 description 7
- 238000011161 development Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 230000003542 behavioural effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 235000018185 Betula X alpestris Nutrition 0.000 description 1
- 235000018212 Betula X uliginosa Nutrition 0.000 description 1
- 241000122205 Chamaeleonidae Species 0.000 description 1
- 244000097202 Rathbunia alamosensis Species 0.000 description 1
- 235000009776 Rathbunia alamosensis Nutrition 0.000 description 1
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 238000000205 computational method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000002045 lasting effect Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 238000012946 outsourcing Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/01—Social networking
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Remote Sensing (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种基于签到数据的用户行为轨迹聚类方法，所述方法包括：步骤1，获取用户签到数据；步骤2，对用户签到数据进行预处理；步骤3：在综合考虑了用户签到日期的边际效应和签到次数差异的影响的基础上，计算用户在签到位置上的签到值；步骤4，初始化聚类中心，采用余弦相似性方法分簇；步骤5，重新计算聚类中心，采用余弦相似性方法重新分簇；步骤6，重复步骤5，直到满足预设聚类精度的要求。
Description
技术领域
本发明涉及数据挖掘领域，特别是涉及一种基于签到数据的用户行为轨迹聚类方法。
背景技术
随着我国国民经济的高速发展和城市化进程的加快，交通拥堵已经成为影响城市可持续发展的一个全局性问题。为了解决交通拥堵，国家对城市道路交通基础设施和交通管理相当重视，投入了大量的人力、物力、财力，经过多年建设，城市交通基础设施已取得了很大的成就。但是，随着汽车保有量的激增，交通基础设施的建设已经满足不了交通发展的需要，城市道路拥堵和交通安全已成为迫切需要解决的难题。交通信息服务系统作为智能交通的重要组成部分，可以通过提供快捷、有效的道路交通流信息，方便公众出行，缓解交通阻塞，提高道路通过能力，减少交通事故，降低能源消耗和减轻环境污染，满足城市和谐与持续发展的需要。
公众出行交通信息服务系统的本质包括以下几个方面：第一，在路网条件下，通过先进的技术手段采集交通信息；第二，对采集到的动态交通信息进行处理并为公众出行提供准确、及时的道路交通流信息。资料表明，已经建成的交通信息服务系统有电台、可变情报板、网站、手机短信等多种渠道，交通信息的内容也比较丰富和准确，但对于交通管理者和出行者来说，目前的交通信息服务水平远远没有达到交通参与者的需求。为了进一步提高出行者的出行效率，降低交通拥堵，学术界和工业界近期提出了构建基于智能手机的交通信息服务平台的思想，希望通过对采集到的数据（如手机用户签到历史数据）进行分析，准确刻画公众出行的行为特征，从而为用户提供合适的出行线路，其关键技术之一在于设计合适的基于用户行为轨迹的聚类算法。
在没有先验知识的情况下，将物理或抽象对象的集合分成由类似对象组成的多个类的过程称为聚类。传统的聚类分析计算方法主要有：划分方法（如K-MEANS、K-MEDOIDS、CLARANS等算法）；层次方法（如BIRCH、CURE、CHAMELEON等算法）；基于密度的方法（如DBSCAN、OPTICS、DENCLUE等算法）；基于网格的方法（如STING、CLIQUE、WAVE-CLUSTER等算法）。以上算法主要用来聚类时间无关的数值类型的数据。而时空轨迹聚类分析方法主要用于处理移动对象的时空轨迹数据，通过从时空轨迹数据中提取相似性与异常，发现其中有意义的模式，目的是将具有相似行为的时空对象划分到一起，而将具有相异行为的时空对象划分开来，其关键是根据时空轨迹数据的特点，设计与定义不同轨迹间的相似性度量方法。根据所涉及的不同时间区间，可将现有的时空轨迹相似性度量方法划分为以下几种：时间全区间相似（主要采用轨迹间欧式距离、最小外包矩形距离等相似性度量方法）；全区间变换对应相似（主要有DTW方法）；多子区间对应相似（主要有最长公共子序列距离、编辑距离等方法）；单子区间对应相似（主要有子轨迹聚类、时间聚焦聚类、移动微聚类、移动聚类等方法）；单点对应相似（主要有历史最近距离等方法）；无时间区间对应相似（主要有单向距离、特征提取等方法）。这 6类方法对于相似时间区间的要求是逐渐放松的，从要求时间全区间相似，到局部时间区间相似，最后到无时间区间对应相似，反映了时空轨迹相似性度量方法的发展过程。分析表明，GPS日志可以持续跟踪用户的行为轨迹，而在基于位置服务的社交网络中，用户仅在到达某位置后才签到，没有对用户的行为轨迹进行全程持续的跟踪，且用户签到具有一定的随意性和重复性。同时，用户在不同位置上签到次数差异较大，少数用户完成了大多数签到，一些位置很少被签到，数据呈现出稀疏性。除此之外，用户的时空行为随时间在不断变化，签到日期越接近当前，越能反映用户当前的行为轨迹。基于上述签到数据的特点，需要我们设计合适的用户行为轨迹聚类方法，以构建基于智能手机的交通信息服务系统。
发明内容
本发明所要解决的技术问题是：针对手机签到数据的特点以及构建基于智能手机的交通信息服务系统在用户行为轨迹聚类方面存在的问题，如何创新地设计一种合适的基于签到数据的用户行为轨迹聚类方法。
为了解决上述问题，本发明公开了一种基于签到数据的用户行为轨迹聚类方法，其技术方案包括以下步骤：
步骤1：获取用户签到数据，包括用户ID、签到位置、签到时间以及签到日期；
步骤2：对用户签到数据进行预处理，包括无用数据过滤、类型转换和格式统一；
步骤3：签到数据反映了用户的时空行为方式，带有时间标记的签到位置序列构成了用户行为轨迹，在综合考虑了用户签到日期的边际效应和签到次数差异的影响的基础上，计算用户在签到位置上的签到值；
步骤4：任意选择k个用户作为初始聚类中心；对于剩下的其它用户，采用余弦相似性方法计算用户与k个初始聚类中心的相似性，然后划分到与其最相似的聚类；
步骤5：在每个簇内，采用余弦相似性方法计算每个用户与其余用户的相似度之和，选择相似度和最大的用户作为该簇新的聚类中心；当k个新的聚类中心确定后，对于剩下的其它用户，采用余弦相似性方法计算用户与k个新的聚类中心的相似性，然后划分到与其最相似的聚类；
步骤6：重复步骤5，直到满足预设聚类精度的要求。
所述的基于签到数据的用户行为轨迹聚类方法，所述步骤3还包括：
所述的基于签到数据的用户行为轨迹聚类方法，所述步骤4还包括：
所述的基于签到数据的用户行为轨迹聚类方法，所述步骤6还包括：
步骤41：聚类精度，是指采用余弦相似性方法计算当前轮与上一轮对应聚类中心的相似性，然后求和；如果相似度和大于预设的阈值，则聚类迭代过程终止。
与现有技术相比，本发明具有以下优点：
（1）本发明采用了一种基于签到数据的用户行为轨迹聚类方法，与K均值聚类算法比较，我们考虑了时间维度，将K均值聚类算法中点状对象的相似性度量扩展到线状对象即用户行为轨迹的比较。同时，在定义用户之间的余弦相似性时，我们把签到时间、日期因素引入到传统的“用户-签到位置”矩阵，变成了“用户-签到时间（日期）-签到位置”立方体。除此之外，在更新聚类中心时，我们选择了相似度和最大的用户作为该簇新的聚类中心。
（2）为了体现用户在不同位置上签到次数存在差异的特点以及用户行为轨迹的演化趋势，我们在定义用户的签到值时充分考虑了用户签到日期的边际效应和签到次数差异的影响，在同一位置上签到次数越多，表示该位置在用户行为轨迹中的重要程度越高，同时，用户的时空行为随时间在不断变化，签到日期越接近当前，越能反映用户当前的行为轨迹。通过综合考虑以上因素，我们能够更准确地刻画公众出行的行为特征，从而为构建基于智能手机的交通信息服务平台奠定坚实的基础。
附图说明
图1为本发明的基于签到数据的用户行为轨迹聚类方法的流程图。
具体实施方式
下面结合附图对本发明进行详细说明。
如附图1所示，本发明方法按照以下步骤进行：
步骤1：获取用户签到数据，包括用户ID、签到位置、签到时间以及签到日期；
新浪微博、街旁、人人、Foursquare、Gowalla等基于地理位置的移动社交网络（LBSN）近年来发展迅猛，大量用户通过这些服务以签到的方式记录时空行为轨迹，因此，可以通过它们提供的API，抓取到需要的用户签到数据。
步骤2：对用户签到数据进行预处理，包括无用数据过滤、类型转换和格式统一；
分析表明，对位置数据中的无效用户（即注册后很少签到的用户，例如签到次数少于5次的用户）和很少有人签到的位置兴趣点（即到访人数很少的点，例如签到用户少于5人的位置兴趣点）进行挖掘是没有意义的，因此，需要移除无意义点，减少数据量。同时，还要对签到数据进行预处理，将签到位置的经纬度坐标转换为平面直角坐标以及进行格式统一等。
步骤3：签到数据反映了用户的时空行为方式，带有时间标记的签到位置序列构成了用户行为轨迹，在综合考虑了用户签到日期的边际效应和签到次数差异的影响的基础上，计算用户在签到位置上的签到值；
步骤4：任意选择k个用户作为初始聚类中心；对于剩下的其它用户，采用余弦相似性方法计算用户与k个初始聚类中心的相似性，然后划分到与其最相似的聚类；
步骤5：在每个簇内，采用余弦相似性方法计算每个用户与其余用户的相似度之和，选择相似度和最大的用户作为该簇新的聚类中心；当k个新的聚类中心确定后，对于剩下的其它用户，采用余弦相似性方法计算用户与k个新的聚类中心的相似性，然后划分到与其最相似的聚类；
步骤6：重复步骤5，直到满足预设聚类精度的要求。
我们可以采用余弦相似性方法计算当前轮与上一轮对应聚类中心的相似性，然后求和；如果相似度和大于预设的阈值，则聚类迭代过程终止。
本领域的技术人员在不脱离权利要求书确定的本发明的精神和范围的条件下，还可以对以上内容进行各种各样的修改。因此，本发明的范围并不仅限于以上的说明，而是由权利要求书的范围来确定的。
Claims (4)
1.一种基于签到数据的用户行为轨迹聚类方法，其特征在于，包括：
步骤1：获取用户签到数据，包括用户ID、签到位置、签到时间以及签到日期；
步骤2：对用户签到数据进行预处理，包括无用数据过滤、类型转换和格式统一；
步骤3：签到数据反映了用户的时空行为方式，带有时间标记的签到位置序列构成了用户行为轨迹，在综合考虑了用户签到日期的边际效应和签到次数差异的影响的基础上，计算用户在签到位置上的签到值；
步骤4：任意选择k个用户作为初始聚类中心；对于剩下的其它用户，采用余弦相似性方法计算用户与k个初始聚类中心的相似性，然后划分到与其最相似的聚类；
步骤5：在每个簇内，采用余弦相似性方法计算每个用户与其余用户的相似度之和，选择相似度和最大的用户作为该簇新的聚类中心；当k个新的聚类中心确定后，对于剩下的其它用户，采用余弦相似性方法计算用户与k个新的聚类中心的相似性，然后划分到与其最相似的聚类；
步骤6：重复步骤5，直到满足预设聚类精度的要求。
2.根据权利要求1所述的基于签到数据的用户行为轨迹聚类方法，其特征在于，所述步骤3还包括：
步骤21：把签到日期的每一天都分成T个时间区间，cu,t,p=1表示用户u曾经在时间区间t、位置p处签到，cu,t,p=0表示用户u在时间区间t、位置p处没有签到，其中t∈T，p∈L，L为用户签到位置的集合；在综合考虑用户签到日期的边际效应和签到次数差异的影响的基础上，将用户u在时间区间t、位置p处的签到值定义为，Nu,t为用户u在时间区间t签到的总次数，Nu,t,p为用户u在时间区间t、位置p处签到的次数，表示用户u在时间区间t、位置p、签到日期为d的边际效应函数，其中d0为当前日期，H为预先设定的阈值，H等于所有签到日期中与当前日期差值的绝对值的最大值。
3.根据权利要求1所述的基于签到数据的用户行为轨迹聚类方法，其特征在于，所述步骤4还包括：
用户u与用户v的余弦相似性定义为，其中和分别表示在考虑了用户签到日期的边际效应和签到次数差异的影响的基础上，用户u和用户v在时间区间t、位置p处的签到值。
4.根据权利要求1所述的基于签到数据的用户行为轨迹聚类方法，其特征在于，所述步骤6还包括：
步骤41：聚类精度，是指采用余弦相似性方法计算当前轮与上一轮对应聚类中心的相似性，然后求和；如果相似度和大于预设的阈值，则聚类迭代过程终止。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510636889.7A CN105243128B (zh) | 2015-09-29 | 2015-09-29 | 一种基于签到数据的用户行为轨迹聚类方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510636889.7A CN105243128B (zh) | 2015-09-29 | 2015-09-29 | 一种基于签到数据的用户行为轨迹聚类方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN105243128A CN105243128A (zh) | 2016-01-13 |
| CN105243128B true CN105243128B (zh) | 2018-06-08 |
Family
ID=55040776
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201510636889.7A Active CN105243128B (zh) | 2015-09-29 | 2015-09-29 | 一种基于签到数据的用户行为轨迹聚类方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN105243128B (zh) |
Families Citing this family (21)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107305667A (zh) * | 2016-04-18 | 2017-10-31 | 滴滴（中国）科技有限公司 | 基于出行习惯的用户画像获取方法及装置 |
| CN105681089B (zh) * | 2016-01-26 | 2019-10-18 | 上海晶赞科技发展有限公司 | 网络用户行为聚类方法、装置及终端 |
| CN107346313B (zh) * | 2016-05-05 | 2020-11-27 | 清华大学 | 虚拟面挖掘的方法和装置 |
| CN106022934A (zh) * | 2016-05-05 | 2016-10-12 | 北京邮电大学 | 一种基于移动轨迹模式的潜在好友发现方法及系统 |
| CN106095841B (zh) * | 2016-06-05 | 2019-05-03 | 西华大学 | 一种基于协同过滤的移动互联网广告推荐方法 |
| CN107784314A (zh) * | 2016-08-26 | 2018-03-09 | 北京协同创新智能电网技术有限公司 | 一种多变量报警系统的正常异常数据划分方法及系统 |
| CN106529711B (zh) * | 2016-11-02 | 2020-06-19 | 东软集团股份有限公司 | 用户行为预测方法及装置 |
| CN106651027B (zh) * | 2016-12-21 | 2021-08-20 | 北京航空航天大学 | 一种基于社交网络的互联网班车线路优化方法 |
| CN107026845B (zh) * | 2017-01-03 | 2020-04-28 | 阿里巴巴集团控股有限公司 | 任务作弊行为识别方法及装置 |
| CN110310138A (zh) * | 2018-03-21 | 2019-10-08 | 腾讯科技（深圳）有限公司 | 一种确定用户关系的方法及装置 |
| CN108932528B (zh) * | 2018-06-08 | 2021-08-31 | 哈尔滨工程大学 | 变色龙算法中相似性度量及截断方法 |
| CN109034187B (zh) * | 2018-06-12 | 2021-09-17 | 上海中通吉网络技术有限公司 | 一种用户家庭工作地址挖掘流程 |
| CN109034226A (zh) * | 2018-07-16 | 2018-12-18 | 福州大学 | 一种基于图论的车辆轨迹聚类方法 |
| CN109299724B (zh) * | 2018-07-17 | 2022-01-28 | 广东工业大学 | 基于深度学习的智能家居用户操控习惯挖掘与推荐方法 |
| CN109977326A (zh) * | 2019-04-04 | 2019-07-05 | 杭州电力设备制造有限公司 | 一种位置信息获取方法、系统及相关装置 |
| CN110738272B (zh) * | 2019-10-23 | 2020-11-03 | 智洋创新科技股份有限公司 | 一种输电线路通道可视化机械类连续告警样本的标注方法 |
| CN111209457B (zh) * | 2019-12-24 | 2020-09-18 | 中国科学院电子学研究所苏州研究院 | 一种目标典型活动模式偏离告警方法 |
| CN114120018B (zh) * | 2020-08-25 | 2023-07-11 | 四川大学 | 一种基于人群聚类轨迹熵的空间活力量化方法 |
| CN112560910B (zh) * | 2020-12-02 | 2024-03-01 | 中国联合网络通信集团有限公司 | 用户分类方法和装置 |
| CN113159408B (zh) * | 2021-04-14 | 2023-11-21 | 交控科技股份有限公司 | 轨道交通站点客流预测方法及装置 |
| CN113342283A (zh) * | 2021-06-29 | 2021-09-03 | 招商局金融科技有限公司 | 用户位置信息存储方法、装置、电子设备及可读存储介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103049642A (zh) * | 2012-11-19 | 2013-04-17 | 浙江工商大学 | 一种基于熵值法和动态规划的改进K-Means算法的城市高架桥交通流检测方法 |
| CN103699801A (zh) * | 2013-12-31 | 2014-04-02 | 深圳先进技术研究院 | 一种时空规律的地铁乘客聚类和边缘检测方法 |
| CN104167092A (zh) * | 2014-07-30 | 2014-11-26 | 北京市交通信息中心 | 一种确定出租车上下客热点区域中心的方法以及装置 |
| CN104850604A (zh) * | 2015-05-04 | 2015-08-19 | 华中科技大学 | 一种基于张量的用户轨迹挖掘方法 |
-
2015
- 2015-09-29 CN CN201510636889.7A patent/CN105243128B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103049642A (zh) * | 2012-11-19 | 2013-04-17 | 浙江工商大学 | 一种基于熵值法和动态规划的改进K-Means算法的城市高架桥交通流检测方法 |
| CN103699801A (zh) * | 2013-12-31 | 2014-04-02 | 深圳先进技术研究院 | 一种时空规律的地铁乘客聚类和边缘检测方法 |
| CN104167092A (zh) * | 2014-07-30 | 2014-11-26 | 北京市交通信息中心 | 一种确定出租车上下客热点区域中心的方法以及装置 |
| CN104850604A (zh) * | 2015-05-04 | 2015-08-19 | 华中科技大学 | 一种基于张量的用户轨迹挖掘方法 |
Non-Patent Citations (2)
| Title |
|---|
| PrivateCheckIn：一种移动社交网络中的轨迹隐私保护方法;霍峥 等;《计算机学报》;20130430;第36卷(第4期);716-726页 * |
| 位置服务社交网络用户行为相似性分析;袁书寒 等;《计算机应用》;20120201;322-325页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN105243128A (zh) | 2016-01-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105243128B (zh) | 一种基于签到数据的用户行为轨迹聚类方法 | |
| CN106912015B (zh) | 一种基于移动网络数据的人员出行链识别方法 | |
| CN106096631B (zh) | 一种基于手机大数据的流动人口分类识别分析方法 | |
| Zhang et al. | Deep spatio-temporal residual networks for citywide crowd flows prediction | |
| Kang et al. | Exploring human movements in Singapore: a comparative analysis based on mobile phone and taxicab usages | |
| CN106931974B (zh) | 基于移动终端gps定位数据记录计算个人通勤距离的方法 | |
| CN107241512B (zh) | 基于手机数据的城际交通出行方式判断方法和设备 | |
| Xu et al. | Context-aware real-time population estimation for metropolis | |
| Gambs et al. | Next place prediction using mobility markov chains | |
| Ríos et al. | Land Use detection with cell phone data using topic models: Case Santiago, Chile | |
| US8532648B2 (en) | Generating an OD matrix | |
| CN106651027B (zh) | 一种基于社交网络的互联网班车线路优化方法 | |
| CN105243148A (zh) | 一种基于签到数据的时空轨迹相似性度量方法及系统 | |
| Kim | Identifying the structure of cities by clustering using a new similarity measure based on smart card data | |
| Sudo et al. | Particle filter for real-time human mobility prediction following unprecedented disaster | |
| CN105205623B (zh) | 基于区间弱耦合度的公共自行车站点调度区域划分方法 | |
| CN107656987A (zh) | 一种基于lda模型的地铁站点功能挖掘方法 | |
| CN105989024A (zh) | 确定用户所在的位置区域的方法和装置 | |
| Li et al. | A personal location prediction method based on individual trajectory and group trajectory | |
| Yuan et al. | Recognition of functional areas based on call detail records and point of interest data | |
| Li et al. | Estimating crowd flow and crowd density from cellular data for mass rapid transit | |
| Sila-Nowicka et al. | Sensing spatiotemporal patterns in urban areas: Analytics and visualizations using the integrated multimedia city data platform | |
| CN107677277A (zh) | 一种基于Dijkstra算法的路径确定方法 | |
| CN111310340B (zh) | 基于人类移动的城市区域交互异常关系识别方法及设备 | |
| Shen et al. | Novel model for predicting individuals’ movements in dynamic regions of interest |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| CB03 | Change of inventor or designer information |
Inventor after: Liu Xingwei Inventor after: Xia Meichen Inventor after: Mou Feng Inventor after: Wang Bin Inventor after: Zeng Chengke Inventor after: Liu Yang Inventor before: Liu Xingwei Inventor before: Xia Meichen Inventor before: Mou Feng Inventor before: Wang Bin Inventor before: Zeng Chengke Inventor before: Zhang Xiaoli |
|
| CB03 | Change of inventor or designer information | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20200908 Address after: No.7 Daxing Hutong, Dongcheng District, Beijing, 100007 Patentee after: Li Yunfeng Address before: 610039, No. 999, Jin Zhou road, Jinniu District, Sichuan, Chengdu Patentee before: XIHUA University |
|
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20200930 Address after: Room 1294, building 7, yard 15, Jiajia garden, Fengtai District, Beijing 100079 Patentee after: Beijing sandstone Technology Co., Ltd Address before: No.7 Daxing Hutong, Dongcheng District, Beijing, 100007 Patentee before: Li Yunfeng |
|
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20211117 Address after: 100000 room 228, second floor, building 17, Chuangke town community supporting commercial building, Wenquan Town, Haidian District, Beijing Patentee after: CETC digital intelligence technology (Beijing) Co.,Ltd. Address before: 100079 room 1294, building 7, yard 15, Jiajia garden, Fengtai District, Beijing Patentee before: Beijing sandstone Technology Co., Ltd |
|
| TR01 | Transfer of patent right |