CN108009134A - 一种人类活动信息挖掘方法 - Google Patents
一种人类活动信息挖掘方法 Download PDFInfo
- Publication number
- CN108009134A CN108009134A CN201711436528.3A CN201711436528A CN108009134A CN 108009134 A CN108009134 A CN 108009134A CN 201711436528 A CN201711436528 A CN 201711436528A CN 108009134 A CN108009134 A CN 108009134A
- Authority
- CN
- China
- Prior art keywords
- mrow
- msub
- probability
- activity
- mankind
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Algebra (AREA)
- Evolutionary Biology (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明一种人类活动信息挖掘方法,利用社交媒体时空数据挖掘人类活动规律,包括数据预处理,面向用户个体的数据提取,对研究区域进行格网化分,将社交媒体点根据经纬度展现在格网中,将社交媒体点和格网坐标匹配,将社交媒体根据时间信息划分到不同的时间窗口中,进行活动提取,设定人类活动位置出现概率算法,设置根据时间信息预测人类在不同时段最后可能出现位置的方法;使用时间信息拓展Markov模型,设置人类位置转换概率计算方法;预测下一个最有可能出现位置的方法,获取面向个人的位置出现概率表和位置转移概率矩阵;展示个体活动规律挖掘结果,通过个体活动规律的累加反应群体的活动规律。本发明对于城市的动态规划具有重要的参考价值。
Description
技术领域
本发明涉及人类移动规律挖掘技术领域,尤其涉及一种基于改进Markov算法的人类活动信息挖掘方法。
背景技术
研究人类的行为规律是认识和理解人们的生活习惯、人口流动、社会进步与发展以及城市规划的重要课题,是交通运维、灾害响应、城市基础设施规划等方面的重要参考。在交通运维方面,人类移动规律的研究有助于获得道路在不同时段的拥堵状况,从而进行合理的道路运维管理;在灾害响应方面,有助于及时在人群聚集点设置安防设施并形成合理的应急疏散体系;在城市基础设施规划方面,有助于在城市不同的位置配备合理的设施,以及在不同时段实行不同的管理调控策略。人类移动规律的和社会发展的方方面面紧密关联,因此人类的移动规律获取以及移动预测一直都是学者们孜孜不倦的研究课题。
随着智能手机的普及,基于位置的社交媒体应用得到空前发展。这些社交媒体应用可以在用户进行在线社交活动时对用户活动信息如位置信息、时间信息等进行记录,从而产生了面向用户个体的社交媒体数据。这些社交媒体数据获取相对方便、对用户位置记录实时准确,并且经常涵盖大量用户并覆盖相对较长的一段时间,这对基于庞大的数据量和较长时间跨度的研究是非常有意义的。
为了量化人类在位置间的移动可能性,大量研究使用了计算模型,其中Markov模型作为一种预测方法被广泛应用。基于社交媒体数据,一些学者探索了使用该模型进行人类移动规律挖掘的方法。
Markov模型自20世纪初由俄国数学家Andrey Markov提出以来,作为一种统计建模模型被广泛应用在各种领域。它被用作在一系列具有Markov性质的随机变量上,这些变量可以是任何领域的,在Markov模型中被统称为状态。在一个不断变化的系统中,系统的每一个时刻所处的情况都可以成为系统的状态。如果系统的将来所处的状态仅仅和当下的状态相关,而与当下之前的所有的状态没有关联,则该系统的状态序列具有Markov性质,系统状态的变化过程称为Markov过程。Markov模型定义如下:随机序列Xn在任意时刻n,可以处在状态a,…,j,且它在n+1时刻下所处的状态为k的概率只与它在时刻n下所处的状态j有关,而与时刻n之前所有的状态无关,表示为:
P(Xn+1=k|X0=a,...,Xn=j)=P(Xn+1=k|Xn=j)
其中,X1……Xn为具有Markov性质的变量序列。
Markov模型使用转移矩阵将用户状态之间转移的复杂关系表示出来。转移矩阵中的每个元素都是两个状态之间的转移概率,各个概率值都是非负的,并且每行之和为1,转移矩阵的特征如下:
(1)0≤Puv≤1,矩阵中所有的值的取值范围在0和1之间;
(2)转移矩阵中每一行的值之和为1
其中,Puv指转移矩阵第u行第v列的转移概率值,m指矩阵的列数。
但是,由于人类习惯随时间安排生活,因此人类下一个活动不仅仅和当前活动相关,也和当前的时间相关。而Markov模型只是面向变量序列进行工作的模型,其本身是不包括时间因素的,因此用在人类移动规律研究时有一定的局限性。
发明内容
针对基于传统的Markov模型进行人类移动规律挖掘的缺陷,本发明提出一种基于改进Markov算法的人类活动信息挖掘方法。
本发明技术方案提供一种人类活动信息挖掘方法,利用社交媒体时空数据挖掘人类活动规律,包括以下步骤,
步骤一,数据预处理,去除数据中的噪音,包括重复数据和广告噪音;
步骤二,面向用户个体的数据提取,获取所有用户在社交媒体平台上的id,提取每个id发布的所有社交媒体数据;
步骤三,对研究区域进行格网化分,每个格网为一个活动位置;
步骤四,将社交媒体点根据经纬度展现在格网中,将社交媒体点和格网坐标匹配,获取社交媒体所在格网;
步骤五,将社交媒体根据时间信息划分到不同的时间窗口中,每个窗口作为一个活动时间;
步骤六,活动提取,从面向个体的社交媒体数据中,提取个体的所有活动;
步骤七,设定人类活动位置出现概率算法,所述人类活动位置出现概率算法根据个体在同一时间窗口中在不同位置出现的频率计算人类的活动位置出现概率;
步骤八,根据人类活动位置概率算法,设置根据时间信息预测人类在不同时段最后可能出现位置的方法;
步骤九,使用时间信息拓展Markov模型,将时间维度加入到Markov模型中;
步骤十,根据Markov模型原理设置人类位置转换概率计算方法;
步骤十一,根据位置转换概率计算方法,设置根据时间以及当前位置预测下一个最有可能出现位置的方法;
步骤十二,根据步骤七所得活动位置出现概率计算算法获取面向个人的位置出现概率表;
步骤十三,根据步骤十所得人类位置转换概率计算方法获取面向个人的位置转移概率矩阵;
步骤十四,读取位置出现概率表和位置转移概率矩阵;
步骤十五,展示个体活动规律挖掘结果;
步骤十六,通过个体活动规律的累加反应群体的活动规律,包括根据位置出现概率和位置转移概率累加方法,获取群体的集中及流动情况。
而且,步骤七所得活动位置出现概率计算算法如下式,
位置出现概率计算公式如下,
其中,表示在一天中的第i个时间段ti内j位置出现的概率,表示在一天中的第i个时间段内j位置出现的次数,N=w1,w2…..wR表示所有可能出现的位置,i=1,2…..m,m为时间窗口的数目。
而且,步骤十根据Markov模型原理设计人类位置转换概率计算方法,计算公式如下:
其中,表示在ti时间段内,j位置出现的前提下,从j位置到k位置的转换次数,N=w1,w2…..wR,表示j位置所有可能的下一个活动位置,T(Xn+1=N|Xn=j)ti表示在ti时间段内,j位置出现的前提下,从j位置到N位置的转换次数。
而且,所述社交媒体为微博。
本发明基于拓展Markov模型,加入时间维度,提出一种利用社交媒体时空数据挖掘人类活动规律的方法,探索用户的活动位置和活动位置的变化规律。本发明利用社交媒体数据记录人类长期活动信息的优势,从复杂的社交媒体数据中提取面向用户个体的长期活动,使用格网划分和时间窗口划分的方式定义活动的时空属性;设计了使用时间维度拓展传统Markov模型的方法,获取人类在不同时间出现在不同位置的概率以及发生的位置转换的概率;将方法应用到人类个体上用以获取个体的活动规律,应用到群体上,用以获取城市人群在不同时段的聚集和流动情况,对于城市的动态规划具有重要的参考价值,具有重要的经济意义。
附图说明
图1为本发明实施例中基于社交媒体数据的人类移动规律挖掘框架示意图。
图2为本发明实施例中加入时间信息的Markov链模型示意图。
图3为本发明实施例中用户的活动位置概率示意图。
图4为本发明实施例中用户的位置转换概率示意图。
具体实施方式
以下结合附图和实施例详细说明本发明的具体实施方式。
本发明提出扩展Markov模型,加入时间维度,提出了一种利用社交媒体时空数据挖掘人类活动模式的方法。实施例基于当前位置和当前位置的时间使用扩展后的Markov模型预测用户到达的下一个位置及概率,应用该方法对北京市新浪微博用户的个体和群体活动规律进行了探索,并分析了群体移动规律对城市区位人口流动的反映。该方法可有效挖掘人类在以小时为单位细粒度时段的移动规律并由此反映区位人口的动态变化。
实施例提供了将时间维度加入到Markov模型中的方法,将本来在二维空间(x,y)中的位置转移转换到以时间为z轴的三维空间(x,y,t)中来。由于转移都是基于某个位置以及某个时间发生的转移,首先应获取当前时间窗口以及个体可能处在的活动位置,如在t时间窗口内个体可能出现的位置为A、B、C。则当提取与A位置相关的位置转移时,仅仅需要提取和t时间的A位置相关的位置转移。
参见图1,本发明实施例以新浪微博为数据来源,包括以下步骤:
(1)数据预处理,去除数据中的噪音,包括重复数据和广告噪音;
(2)面向用户个体的数据提取,获取所有用户在微博平台上的id,提取每个id发布的所有新浪微博数据;
(3)根据预设的格网尺寸对研究区域进行格网化分,每个格网为一个活动位置:实施例中使用400m*400m格网对研究区域进行格网化分,每个格网为一个活动位置;
(4)将微博位置点根据经纬度展现在格网中,将微博位置点和格网坐标匹配,获取微博所在格网;
(5)根据预设的时间窗口,将微博根据时间信息划分到不同的时间窗口中,设有m个时间窗口,即时段t1,t2,…tm:实施例使用1h为时间窗口,将微博根据时间信息划分到不同的时间窗口中,每个窗口作为一个活动时间,m=24;
(6)活动提取。现实生活中人们通常在进行一项活动时发布微博,如吃饭、上班等,因此用户发布的一条带有时空信息的微博可以代表一个具有时空属性的活动。本实施例从面向个体的微博数据中,提取个体的所有活动,过程包括活动的空间属性定义、时间属性定义。活动的空间属性和时间属性分别为活动发生的位置和所处的时间,分别使用微博位置点所在格网和微博发布所处的活动时间表示;
(7)设计人类活动位置出现概率算法。根据个体在同一时间窗口中在不同位置出现的频率计算人类的活动位置出现概率。本发明设计的位置出现概率计算公式如下:
其中,P(j)ti表示在一天中的第i个时间段ti内j位置出现的概率,F(j)ti表示在一天中的第i个时间段内j位置出现的次数,N=w1,w2…..wR表示所有可能出现的位置,i=1,2…..m。该式计算某个时间段用户在某位置出现的次数比上该用户在所有位置出现的次数总和。
(8)根据人类活动位置概率算法,设计根据时间信息预测人类在不同时段最后可能出现位置的方法。一个人在不同时段t1,t2,…tm最有可能出现的位置L可以表示为:
(9)使用时间信息拓展Markov模型,设计将时间维度加入到模型中的方法,如图2所示,其中x,y,z轴分别为经纬度坐标轴和时间轴,在当前时间窗口t内用户经常出现的位置使用A、B、C进行标识,它们有不同的经纬度坐标,代表空间上不同的三个位置。F、G、H分别为当前时间t之前用户出现的位置,它们和当前位置A、B、C有着转移关系。同理D、E、I、J为当前时间段t后,用户基于当前位置可能到达的下一个位置。因为活动的时间属性是以1h为窗口进行定义的,因此这里以1h为时间粒度拓展Markov模型。
(10)根据Markov模型原理设计人类位置转换概率计算方法。计算公式如下:
其中,T(Xn+1=k|Xn=j)ti表示在ti时间段内,j位置出现的前提下,从j位置到k位置的转换次数。N=w1,w2…..wR,表示j位置所有可能的下一个活动位置。表示在ti时间段内,j位置出现的前提下,从j位置到N位置的转换次数。
(11)根据位置转换概率计算方法,设计根据时间以及当前位置预测下一个最有可能出现位置的方法,在考虑当前活动位置和时间的情况下,基于活动位置j的下一个最有可能的活动位置可以表示为:
(12)根据式(1)所示的活动位置出现概率计算方法获取面向个人的位置出现概率表,表格如图4中所示;
(13)根据式(3)所示的人类位置转换概率计算方法获取面向个人的位置转移概率矩阵,由转移矩阵获得的位置转移概率表如图3所示。转移矩阵的格式如下;
矩阵中第i行与第j列交叉点上的元素Pij,表示从i状态到j状态的一个转移的概率值。转移矩阵具有如下特征:
(1)0≤Pij≤1,矩阵中所有的值的取值范围在0和1之间
(2)转移矩阵中每一行的值之和为1
其中,m、n为行列数。
(14)获取ECharts图表接口,编写代码,使ECharts自动读取位置出现概率表和位置转移概率矩阵,配置图例、颜色等要素;
(15)以某个用户为例在ECharts上展示(12)、(13)步骤所得个体活动规律挖掘结果,如图3所示,使用圆圈和箭头分别表示用户个体在不同时段可能出现的位置及可能发生的位置转移;
(16)个体活动规律的累加将反应群体的活动规律,设计位置出现概率和位置转移概率累加方法,获取群体的集中及流动情况。可以使用Echarts将群体在不同位置间的聚集和流动规律使用颜色和箭头表示出来。在某一时间段,一些人口聚集的位置使用圆圈标注,人口聚集程度使用圆圈颜色深浅表示,位置间的人口流动方向和流量使用箭头方向和箭头颜色深浅表示。使用这种方法,将不同时间段,人口在空间的聚集流动规律可视化的展现出来。为了将位置探测和位置转换探测方法运用到群体上,本发明设计出了综合探测算法,算法的主要内容为统计每个用户出现在每个位置的概率,将所有用户的概率之和作为人群在该位置集中的概率,统计每个用户在两个位置间转移的概率,将所有用户的概率之和作为两个位置间发生人群流动的概率;
以北京市海淀区部分区域为例,将方法用在群体上,并将结果绘制在ECharts上;使用回归分析(regression analysis)的方法验证本方法对人类移动规律的挖掘效果。回归分析是一种用来确定变量之间相互关系的统计分析方法,本发明使用它衡量传统方法和本发明提出的加入时间信息的方法所得结果与实际值之间的关系。通过两种方法获得的人类活动位置概率与活动位置转移概率与实际值之间的对比,可以看出本发明提出方法获得的结果更贴近实际值。
为保证结果准确性,可以进行验证:实施例使用R2衡量回归分析结果的显著性水平。R2是检验回归分析中变量相关关系显著性水平的指标,它的值域在0-1之间,越靠近1说明显著性水平越高。相对于传统方法,本方法将用户出现概率的R2从0.71提高到0.94,将该用户移动概率的R2从0.003提高到0.70,说明本方法所得结果更贴近实际值。
具体实施例,本发明可基于软件技术实现自动运行流程。
上述均为本发明的较佳实施例,并不限于本实施例,凡在本实施例的精神和原则之内所做的修改、替换、改进等,均应包含在本专利的保护范围之内。
Claims (5)
1.一种人类活动信息挖掘方法,其特征在于,利用社交媒体时空数据挖掘人类活动规律,包括以下步骤,
步骤一,数据预处理,去除数据中的噪音,包括重复数据和广告噪音;
步骤二,面向用户个体的数据提取,获取所有用户在社交媒体平台上的id,提取每个id发布的所有社交媒体数据;
步骤三,对研究区域进行格网化分,每个格网为一个活动位置;
步骤四,将社交媒体点根据经纬度展现在格网中,将社交媒体点和格网坐标匹配,获取社交媒体所在格网;
步骤五,将社交媒体根据时间信息划分到不同的时间窗口中,每个窗口作为一个活动时间;
步骤六,活动提取,从面向个体的社交媒体数据中,提取个体的所有活动;
步骤七,设定人类活动位置出现概率算法,所述人类活动位置出现概率算法根据个体在同一时间窗口中在不同位置出现的频率计算人类的活动位置出现概率;
步骤八,根据人类活动位置概率算法,设置根据时间信息预测人类在不同时段最后可能出现位置的方法;
步骤九,使用时间信息拓展Markov模型,将时间维度加入到Markov模型中;
步骤十,根据Markov模型原理设置人类位置转换概率计算方法;
步骤十一,根据位置转换概率计算方法,设置根据时间以及当前位置预测下一个最有可能出现位置的方法;
步骤十二,根据步骤七所得活动位置出现概率计算算法获取面向个人的位置出现概率表;
步骤十三,根据步骤十所得人类位置转换概率计算方法获取面向个人的位置转移概率矩阵;
步骤十四,读取位置出现概率表和位置转移概率矩阵;
步骤十五,展示个体活动规律挖掘结果;
步骤十六,通过个体活动规律的累加反应群体的活动规律,包括根据位置出现概率和位置转移概率累加方法,获取群体的集中及流动情况。
2.根据权利要求1所述人类活动信息挖掘方法,其特征在于:步骤七所得活动位置出现概率计算算法如下式,
位置出现概率计算公式如下,
<mrow>
<mi>P</mi>
<msub>
<mrow>
<mo>(</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
<msub>
<mi>t</mi>
<mi>i</mi>
</msub>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<mi>F</mi>
<msub>
<mrow>
<mo>(</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
<msub>
<mi>t</mi>
<mi>i</mi>
</msub>
</msub>
</mrow>
<mrow>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>N</mi>
<mo>=</mo>
<mi>w</mi>
<mn>1</mn>
</mrow>
<mrow>
<mi>w</mi>
<mi>R</mi>
</mrow>
</msubsup>
<mi>F</mi>
<msub>
<mrow>
<mo>(</mo>
<mi>N</mi>
<mo>)</mo>
</mrow>
<msub>
<mi>t</mi>
<mi>i</mi>
</msub>
</msub>
</mrow>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
其中,表示在一天中的第i个时间段ti内j位置出现的概率,表示在一天中的第i个时间段内j位置出现的次数,N=w1,w2…..wR表示所有可能出现的位置,i=1,2…..m,m为时间窗口的数目。
3.根据权利要求1或2所述人类活动信息挖掘方法,其特征在于:步骤十根据Markov模型原理设计人类位置转换概率计算方法,计算公式如下:
<mrow>
<msub>
<mi>P</mi>
<msub>
<mi>t</mi>
<mi>i</mi>
</msub>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>X</mi>
<mrow>
<mi>n</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>=</mo>
<mi>k</mi>
<mo>|</mo>
<msub>
<mi>X</mi>
<mi>n</mi>
</msub>
<mo>=</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mrow>
<mi>T</mi>
<msub>
<mrow>
<mo>(</mo>
<msub>
<mi>X</mi>
<mrow>
<mi>n</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>=</mo>
<mi>k</mi>
<mo>|</mo>
<msub>
<mi>X</mi>
<mi>n</mi>
</msub>
<mo>=</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
<msub>
<mi>t</mi>
<mi>i</mi>
</msub>
</msub>
</mrow>
<mrow>
<msubsup>
<mo>&Sigma;</mo>
<mrow>
<mi>N</mi>
<mo>=</mo>
<mi>w</mi>
<mn>1</mn>
</mrow>
<mrow>
<mi>w</mi>
<mi>R</mi>
</mrow>
</msubsup>
<mi>T</mi>
<msub>
<mrow>
<mo>(</mo>
<msub>
<mi>X</mi>
<mrow>
<mi>n</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>=</mo>
<mi>N</mi>
<mo>|</mo>
<msub>
<mi>X</mi>
<mi>n</mi>
</msub>
<mo>=</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
<msub>
<mi>t</mi>
<mi>i</mi>
</msub>
</msub>
</mrow>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>3</mn>
<mo>)</mo>
</mrow>
</mrow>
其中,表示在ti时间段内,j位置出现的前提下,从j位置到k位置的转换次数,N=w1,w2…..wR,表示j位置所有可能的下一个活动位置,表示在ti时间段内,j位置出现的前提下,从j位置到N位置的转换次数。
4.根据权利要求1或2所述人类活动信息挖掘方法,其特征在于:所述社交媒体为微博。
5.根据权利要求3所述人类活动信息挖掘方法,其特征在于:所述社交媒体为微博。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711436528.3A CN108009134A (zh) | 2017-12-26 | 2017-12-26 | 一种人类活动信息挖掘方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711436528.3A CN108009134A (zh) | 2017-12-26 | 2017-12-26 | 一种人类活动信息挖掘方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108009134A true CN108009134A (zh) | 2018-05-08 |
Family
ID=62061469
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711436528.3A Pending CN108009134A (zh) | 2017-12-26 | 2017-12-26 | 一种人类活动信息挖掘方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108009134A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108846433A (zh) * | 2018-06-08 | 2018-11-20 | 汕头大学 | 一种篮球运动员的团队价值量评估方法 |
CN112270998A (zh) * | 2020-09-23 | 2021-01-26 | 清华大学 | 区域内感染人员分布的评估方法及装置 |
CN113139006A (zh) * | 2020-01-19 | 2021-07-20 | 深圳云天励飞技术有限公司 | 固定场所挖掘方法、装置、终端设备及可读存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101630446A (zh) * | 2009-07-21 | 2010-01-20 | 民航数据通信有限责任公司 | 基于广播式自动相关监视数据的飞机状态估计方法和系统 |
KR20100131060A (ko) * | 2009-06-05 | 2010-12-15 | 삼성전자주식회사 | 인체 동작 및 얼굴 표정 모델링 및 인식을 위한 비디오 센서 기반의 장치 및 방법 |
CN103068041A (zh) * | 2012-12-31 | 2013-04-24 | 广州杰赛科技股份有限公司 | 一种定位方法 |
CN104754730A (zh) * | 2013-12-27 | 2015-07-01 | 华为技术有限公司 | 位置预测的方法及装置 |
CN107292424A (zh) * | 2017-06-01 | 2017-10-24 | 四川新网银行股份有限公司 | 一种基于复杂社交网络的反欺诈和信用风险预测方法 |
-
2017
- 2017-12-26 CN CN201711436528.3A patent/CN108009134A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20100131060A (ko) * | 2009-06-05 | 2010-12-15 | 삼성전자주식회사 | 인체 동작 및 얼굴 표정 모델링 및 인식을 위한 비디오 센서 기반의 장치 및 방법 |
CN101630446A (zh) * | 2009-07-21 | 2010-01-20 | 民航数据通信有限责任公司 | 基于广播式自动相关监视数据的飞机状态估计方法和系统 |
CN103068041A (zh) * | 2012-12-31 | 2013-04-24 | 广州杰赛科技股份有限公司 | 一种定位方法 |
CN104754730A (zh) * | 2013-12-27 | 2015-07-01 | 华为技术有限公司 | 位置预测的方法及装置 |
CN107292424A (zh) * | 2017-06-01 | 2017-10-24 | 四川新网银行股份有限公司 | 一种基于复杂社交网络的反欺诈和信用风险预测方法 |
Non-Patent Citations (1)
Title |
---|
高露妹: "基于社交媒体的人类移动时空规律研究", 《中国优秀硕士学位论文全文数据库 社会科学II辑》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108846433A (zh) * | 2018-06-08 | 2018-11-20 | 汕头大学 | 一种篮球运动员的团队价值量评估方法 |
CN113139006A (zh) * | 2020-01-19 | 2021-07-20 | 深圳云天励飞技术有限公司 | 固定场所挖掘方法、装置、终端设备及可读存储介质 |
CN112270998A (zh) * | 2020-09-23 | 2021-01-26 | 清华大学 | 区域内感染人员分布的评估方法及装置 |
WO2022062657A1 (zh) * | 2020-09-23 | 2022-03-31 | 清华大学 | 区域内感染人员分布的评估方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yin et al. | A generative model of urban activities from cellular data | |
Deng et al. | Graph convolutional adversarial networks for spatiotemporal anomaly detection | |
Xu et al. | Understanding aggregate human mobility patterns using passive mobile phone location data: A home-based approach | |
Zhao et al. | Understanding the bias of call detail records in human mobility research | |
Du et al. | Traffic demand prediction based on dynamic transition convolutional neural network | |
CN111444243B (zh) | 一种基于轨迹信息的用户行为预测画像方法及系统 | |
CN109376969A (zh) | 基于深度学习的城市精细化人口分布动态预测方法及装置 | |
Yang et al. | Efficient traffic congestion estimation using multiple spatio-temporal properties | |
Wang et al. | Comparative performance of logistic regression and survival analysis for detecting spatial predictors of land-use change | |
CN104462190A (zh) | 一种基于海量空间轨迹挖掘的在线的位置预测方法 | |
Xu et al. | HighAir: A hierarchical graph neural network-based air quality forecasting method | |
CN108009134A (zh) | 一种人类活动信息挖掘方法 | |
Dodge et al. | Progress in computational movement analysis–towards movement data science | |
Pu et al. | MVSTT: A multiview spatial-temporal transformer network for traffic-flow forecasting | |
CN106339769A (zh) | 一种面向移动社会网络的用户出行预测方法 | |
Cao et al. | Understanding metropolitan crowd mobility via mobile cellular accessing data | |
CN116108984A (zh) | 基于流量-poi因果关系推理的城市流量预测方法 | |
Hamoudzadeh et al. | Predicting user’s next location using machine learning algorithms | |
Solomon et al. | Analyzing movement predictability using human attributes and behavioral patterns | |
Shi et al. | Exploring the evolutionary patterns of urban activity areas based on origin-destination data | |
EP3192061B1 (en) | Measuring and diagnosing noise in urban environment | |
Yu et al. | Using information entropy and a multi-layer neural network with trajectory data to identify transportation modes | |
CN115688952A (zh) | 一种基于大数据的校园拥堵区域预测方法 | |
CN108513262A (zh) | 基于合成似真路径的位置隐私保护方法 | |
Chu et al. | Simulating human mobility with a trajectory generation framework based on diffusion model |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180508 |