CN107577727B - 一种群体移动行为特性分析方法 - Google Patents
一种群体移动行为特性分析方法 Download PDFInfo
- Publication number
- CN107577727B CN107577727B CN201710725810.7A CN201710725810A CN107577727B CN 107577727 B CN107577727 B CN 107577727B CN 201710725810 A CN201710725810 A CN 201710725810A CN 107577727 B CN107577727 B CN 107577727B
- Authority
- CN
- China
- Prior art keywords
- network
- user
- community
- base station
- edge
- 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
Images
Abstract
本发明公开了一种群体移动行为特性分析方法,利用手机上网记录数据,针对春节和工作日两个时段的用户上网记录构建空间交互网络;利用基于稳定度的社区划分算法进行网络划分;利用网络社区结构差异的识别算法来发现不同网络社区结构间的局部差异;基于社区结构差异发现移动行为发生变化的用户群体;本发明基于手机上网记录数据,提出一个新方法来分析群体移动行为特性,对城市规划和交通运输等具有现实意义和价值。
Description
技术领域
本发明属于移动互联网技术领域,特别涉及一种群体移动行为特性分析方法。
背景技术
随着移动互联网的快速发展和智能手机的普及,移动互联网用户急剧增加,由此产生大量的带有用户位置信息的记录数据,这些数据含有丰富的用户行为时空信息。由于这些记录是由用户自发产生的,因此能够较为真实地反映用户的行为特性。同时,手机作为主要的上网终端设备,所覆盖的用户数量巨大,空间覆盖范围广泛,且记录可持续的时间较长,能够准确地反映出人类移动行为模式。
随着不同类型的带有用户轨迹信息的数据大量涌现,人类的空间移动行为模式得到了研究者的广泛的关注,涉及的领域包括城市规划、交通调度、无线网络资源分配、疾病疫情预防控制、商业推荐系统等。
随着城市化进程加快,日益增长的城市人口对城市区域功能的影响变大,探究群体移动行为及其在不同时段的差异对于城市规划和管理具有重要的意义。然而,现有的关于人类移动行为的研究主要集中在对个体行为的分析上。虽然基于个体轨迹相似性的方法可以应用到群体移动行为方面,但是这些方法主要基于GPS数据,不仅对用户轨迹的精确度要求较高,且要求数据在时间尺度上比较连续。随着复杂网络的发展及其在地理科学中的应用,很多研究都基于“碎片化”的数据如CDRs、Check-ins等,这些数据能够在一定程度上反映个体的空间移动行为,但是不能完全刻画个体的移动轨迹。针对这类碎片化的数据,这些研究引入空间网络来分析群体在不同城市区域间的移动行为。在空间网络的构建中,将不同的空间区域作为网络的节点,用户在不同区域间的移动强度作为网络的边,从而将个体行为整合为群体行为,将对群体移动行为的分析转化为对网络结构的分析。然而,这些研究大多停留在对空间网络结构的分析上,没有进一步反演隐含的群体移动信息。
发明内容
本发明针对上述问题,提出了一种群体移动行为特性分析方法,对群体移动行为特性进行分析。
本发明所采用的技术方案是:一种群体移动行为特性分析方法,其特征在于,包括以下步骤:
步骤1:基于手机上网记录数据,针对节假日和工作日两个时段的用户上网记录构建空间交互网络;
步骤2:利用基于稳定度的社区划分算法进行网络划分;
步骤3:利用网络社区结构差异的识别算法来发现不同网络社区结构间的局部差异;
步骤4:基于社区结构差异发现移动行为发生变化的用户群体。
本发明的有益效果是:基于手机上网记录数据,提出一个新方法来分析群体移动行为特性,对城市规划和交通运输等具有现实意义和价值。
附图说明
图1是本发明的流程图;
具体实施方式
为了便于本领域普通技术人员理解和实施本发明,下面结合附图及实施例对本发明作进一步的详细描述,应当理解,此处所描述的实施示例仅用于说明和解释本发明,并不用于限定本发明。
请见图1,本发明提供的一种群体移动行为特性分析方法,包括以下步骤:
步骤1:基于手机上网记录数据,针对节假日和工作日两个时段的用户上网记录构建空间交互网络;
具体实现包括以下子步骤:
步骤1.1:n为用户总数,a为第a个用户,令a=1;
步骤1.2:查询第a个用户以时间为序的上网记录表[BS1,BS2,…,BSb,…,BSm],m为第a个用户访问的基站总数,b为第a个用户访问的第b个基站;
步骤1.3:令b=1;
步骤1.4:第a个用户依次访问基站BSb和基站BSb+1,判断空间交互网络中基站BSb和基站BSb+1之间是否已存在连边;
如果是,则执行步骤1.5;
如果否,则跳转执行步骤1.6;
步骤1.5:空间交互网络中基站BSb和基站BSb+1之间边权重加1;
步骤1.6:空间交互网络中基站BSb和基站BSb+1之间新加一条连边;
步骤1.7:令b=b+1,判断b是否大于m;
如果是,则执行步骤1.8;
如果否,则跳转执行步骤1.4;
步骤1.8:令a=a+1,判断a是否大于n;
如果是,则本流程结束;
如果否,则跳转执行步骤1.2。
步骤2:利用基于稳定度的社区划分算法进行网络划分;
基于稳定度的社区划分算法,对有权的空间交互网络进行划分,基于稳定度的社区划分算法是现有技术。
步骤3:利用网络社区结构差异的识别算法来发现不同网络社区结构间的局部差异;
具体实现包括以下子步骤:
步骤3.1:两组网络社区结构,分别记为P={Pi},Q={Qj},1≤i≤m,1≤j≤n,m和n分别为P和Q包含的社区数;网络中的节点记为V={uk},1≤k≤N,N为网络中节点总数;
步骤3.2:针对两组网络社区结构,分别构建相似性矩阵X和Y;
在第一组网络社区结构中,如果节点ui和uj被划分到了同一个社区中,即{ui∈Pk,uj∈Pk},则相似性矩阵X中对应的节点相似度Xij为1,如果节点ui和uj分别属于不同社区,即则节点相似度Xij为0;同理可得第二组网络社区结构的相似性矩阵Y;
步骤3.4:计算异或相似矩阵M的行范数||Fi||1,计算公式如下:
Fij表示异或相似矩阵中第i行第j列元素;
步骤3.5:通过分析异或相似矩阵M的行范数||Fi||1,查找社区的局部差异;在实际分析中,当满足条件时,即认为节点ui为两组社区结构中存在差异的部分;其中,γ表示设定的阈值,表示社区结构P的平均节点数,表示社区结构Q的平均节点数;
步骤4:基于社区结构差异发现移动行为发生变化的用户群体;
步骤4.1:找出对网络社区结构有影响的边Ediffer;
在异或相似矩阵M中找出两组社区结构中存在差异的部分基站集合Bs对应的行向量集合Fs,然后找出Fs中的非0元素,如果Fij≠0,则节点ui和uj对应的边(ui,uj)即为对网络社区结构有影响的边,记为Ediffer;
应当理解的是,本说明书未详细阐述的部分均属于现有技术。
应当理解的是,上述针对较佳实施例的描述较为详细,并不能因此而认为是对本发明专利保护范围的限制,本领域的普通技术人员在本发明的启示下,在不脱离本发明权利要求所保护的范围情况下,还可以做出替换或变形,均落入本发明的保护范围之内,本发明的请求保护范围应以所附权利要求为准。
Claims (4)
1.一种群体移动行为特性分析方法,其特征在于,包括以下步骤:
步骤1:基于手机上网记录数据,针对节假日和工作日两个时段的用户上网记录构建空间交互网络;
步骤2:利用基于稳定度的社区划分算法进行网络划分;
步骤3:利用网络社区结构差异的识别算法来发现不同网络社区结构间的局部差异;
步骤3的具体实现包括以下子步骤:
步骤3.1:两组网络社区结构,分别记为P={Pi},Q={Qj},1≤i≤m,1≤j≤n,m和n分别为P和Q包含的社区数;网络中的节点记为V={uk},1≤k≤N,N为网络中节点总数;
步骤3.2:针对两组网络社区结构,分别构建相似性矩阵X和Y;
在第一组网络社区结构中,如果节点ui和uj被划分到了同一个社区中,即{ui∈Pk,uj∈Pk},则相似性矩阵X中对应的节点相似度Xij为1,如果节点ui和uj分别属于不同社区,即则节点相似度Xij为0;同理可得第二组网络社区结构的相似性矩阵Y;
步骤3.4:计算异或相似矩阵M的行范数||Fi||1,计算公式如下:
Fij表示异或相似矩阵中第i行第j列元素;
步骤3.5:通过分析异或相似矩阵M的行范数||Fi||1,查找社区的局部差异;
步骤4:基于社区结构差异发现移动行为发生变化的用户群体。
2.根据权利要求1所述的群体移动行为特性分析方法,其特征在于,步骤1的具体实现包括以下子步骤:
步骤1.1:n为用户总数,a为第a个用户,令a=1;
步骤1.2:查询第a个用户以时间为序的上网记录表[BS1,BS2,…,BSb,…,BSm],m为第a个用户访问的基站总数,b为第a个用户访问的第b个基站;
步骤1.3:令b=1;
步骤1.4:第a个用户依次访问基站BSb和基站BSb+1,判断空间交互网络中基站BSb和基站BSb+1之间是否已存在连边;
如果是,则执行步骤1.5;
如果否,则跳转执行步骤1.6;
步骤1.5:空间交互网络中基站BSb和基站BSb+1之间边权重加1;
步骤1.6:空间交互网络中基站BSb和基站BSb+1之间新加一条连边;
步骤1.7:令b=b+1,判断b是否大于m;
如果是,则执行步骤1.8;
如果否,则跳转执行步骤1.4;
步骤1.8:令a=a+1,判断a是否大于n;
如果是,则本流程结束;
如果否,则跳转执行步骤1.2。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710725810.7A CN107577727B (zh) | 2017-08-22 | 2017-08-22 | 一种群体移动行为特性分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710725810.7A CN107577727B (zh) | 2017-08-22 | 2017-08-22 | 一种群体移动行为特性分析方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107577727A CN107577727A (zh) | 2018-01-12 |
CN107577727B true CN107577727B (zh) | 2020-10-30 |
Family
ID=61035200
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710725810.7A Active CN107577727B (zh) | 2017-08-22 | 2017-08-22 | 一种群体移动行为特性分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107577727B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110414715B (zh) * | 2019-06-28 | 2023-06-09 | 武汉大学 | 一种基于社团检测的客流量预警方法 |
CN112800345B (zh) * | 2021-02-03 | 2022-09-30 | 安徽大学 | 一种社区角色感知的用户需求主动预测方法及系统 |
CN113035366B (zh) * | 2021-03-24 | 2023-01-13 | 南方科技大学 | 密接人群识别方法、装置、电子设备及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101778005A (zh) * | 2010-03-05 | 2010-07-14 | 中兴通讯股份有限公司 | 复杂网络配置方法和系统 |
CN102857525A (zh) * | 2011-06-28 | 2013-01-02 | 安徽大学 | 基于随机游走策略的社区发现方法 |
CN102929942A (zh) * | 2012-09-27 | 2013-02-13 | 福建师范大学 | 一种基于集成学习的社会网络重叠社区发现方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
ES2427690B1 (es) * | 2012-01-20 | 2014-06-05 | Telefónica, S.A. | Método para la detección y etiquetado automático de puntos de interés de usuario |
-
2017
- 2017-08-22 CN CN201710725810.7A patent/CN107577727B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101778005A (zh) * | 2010-03-05 | 2010-07-14 | 中兴通讯股份有限公司 | 复杂网络配置方法和系统 |
CN102857525A (zh) * | 2011-06-28 | 2013-01-02 | 安徽大学 | 基于随机游走策略的社区发现方法 |
CN102929942A (zh) * | 2012-09-27 | 2013-02-13 | 福建师范大学 | 一种基于集成学习的社会网络重叠社区发现方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107577727A (zh) | 2018-01-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Lv et al. | Big data driven hidden Markov model based individual mobility prediction at points of interest | |
CN104239556B (zh) | 基于密度聚类的自适应轨迹预测方法 | |
CN110414732B (zh) | 一种出行未来轨迹预测方法、装置、储存介质及电子设备 | |
Liu et al. | User recruitment for enhancing data inference accuracy in sparse mobile crowdsensing | |
Nurmi et al. | Identifying meaningful locations | |
CN107194434B (zh) | 一种基于时空数据的移动对象相似度计算方法及系统 | |
Dalgkitsis et al. | Data driven service orchestration for vehicular networks | |
CN105532030A (zh) | 用于分析目标实体的移动的装置、系统和方法 | |
Wang et al. | Predictability and prediction of human mobility based on application-collected location data | |
CN107577727B (zh) | 一种群体移动行为特性分析方法 | |
Chen et al. | Predicting next locations with object clustering and trajectory clustering | |
Cao et al. | Understanding metropolitan crowd mobility via mobile cellular accessing data | |
CN110059795A (zh) | 一种融合地理位置与时间特征的移动用户节点组网方法 | |
Naveed et al. | Assessing deep generative models on time series network data | |
Liu et al. | CTSLoc: An indoor localization method based on CNN by using time-series RSSI | |
CN116528282B (zh) | 覆盖场景识别方法、装置、电子设备和可读存储介质 | |
Lima et al. | Efficient and robust WiFi indoor positioning using hierarchical navigable small world graphs | |
Sharma et al. | Nearest neighbour classification for trajectory data | |
Mahdizadeh et al. | A regression framework for predicting user’s next location using call detail records | |
Tao et al. | Urban mobility prediction based on LSTM and discrete position relationship model | |
Zhao et al. | Discrete trajectory prediction on mobile data | |
Al-Molegi et al. | Regions-of-interest discovering and predicting in smartphone environments | |
Zhang et al. | Prnet: Outdoor position recovery for heterogenous telco data by deep neural network | |
AT&T | ../../../thesis/figures/telecommute.eps | |
Zhang et al. | DeepLoc: deep neural network-based telco localization |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |