CN108256590B - 一种基于复合元路径的相似出行者识别方法 - Google Patents
一种基于复合元路径的相似出行者识别方法 Download PDFInfo
- Publication number
- CN108256590B CN108256590B CN201810155791.3A CN201810155791A CN108256590B CN 108256590 B CN108256590 B CN 108256590B CN 201810155791 A CN201810155791 A CN 201810155791A CN 108256590 B CN108256590 B CN 108256590B
- Authority
- CN
- China
- Prior art keywords
- travel
- user
- path
- meta
- heterogeneous
- 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 34
- 150000001875 compounds Chemical class 0.000 title abstract 3
- 238000005259 measurement Methods 0.000 claims abstract description 4
- 238000012549 training Methods 0.000 claims description 10
- 239000002131 composite material Substances 0.000 claims description 8
- 230000006399 behavior Effects 0.000 claims description 7
- 238000007477 logistic regression Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 abstract description 3
- 230000004069 differentiation Effects 0.000 abstract 1
- 238000011524 similarity measure Methods 0.000 abstract 1
- 238000011160 research Methods 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000004140 cleaning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000001963 growth medium Substances 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Navigation (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
一种基于复合元路径的相似出行者识别方法，使用时空GPS轨迹构造异构出行网络模型，提出出行元路径的定义。在出行网络模型中选取元路径集合，采用出行相似性度量算法实现用户相似性计算，预测两个用户在出行行为的上相似性。本发明提出的采用复合元路径的相似性计算方法比基于单条元路径方法的查全率与查准率高，且有直观的可理解语义性，有助于准确地发现潜在用户和相似群体，为他们提供更加精准和差异化的服务。
Description
技术领域
本发明属于行为识别领域，具体涉及一种基于复合元路径的相似出行者识别方法。
背景技术
随着智能手机的流行以及各种多样化定位设备的广泛使用，对用户各种出行数据的获取变得更加地实时、容易和准确。因此，关于用户出行问题的研究快速发展，例如出行群体的发现、交通服务推荐、基于位置的社交网络、路线规划等相关工作的研究。同时，通过研究用户的出行可以给用户提供更好的出行体验和出行服务。
大数据的研究以及智能设备的出现使得出行相似性得到很多的关注。在用户出行的相似性研究里，主要的问题是出行的特征选择和怎么解决用户兴趣点矩阵的稀疏性。由于用户在出行过程中会产生大量的、具有时空标记、能描述出行行为的空间大数据，如出租车运营数据、手机数据、社交媒体数据等。这些数据有助于发现用户出行的时空特征，并建立合适的解释模型。然而由于缺乏对这些特征之间关系的研究，难以构建全面完整的出行模型。而专门研究连接关系的空间异构信息网络能为表面上看起来杂乱无章的交通出行过程提供有效的分析方法。通过利用时间信息(出行开始时间、停留时间等)、位置信息(地点名，经纬度等)以及服务等多种类型的信息，构建一个异构出行网络，用于推理语义关系以及预测行程。
鉴于城市交通出行的复杂性，现有研究较多关注对某个属性的独立建模与识别，尽管允许多次融合多个属性，但由于缺乏对多属性语义关系的挖掘研究，模型仅是对最终属性进行推断，可能会遗漏由于不同属性关联而产生的相似关系，从而降低提供服务的准确性。
发明内容
针对现有相似性度量方法的弊端，本发明的目的是提出一种基于复合元路径的相似出行者识别方法。
本发明采用异构信息网络中的元路径理论，建立出行者的兴趣点特征模型，形成基于(用户，停留点)、(停留点，出行时间序列)、(停留点，服务)等特征模型。结合机器学习中的逻辑回归模型，分析特征间关系，推理用户间的相似程度，为未来投放优质出行服务提供支撑。
为实现上述目的，本发明采用如下的技术方案：
一种基于复合元路径的相似出行者识别方法，包括以下步骤：
步骤一：对GPS数据进行预处理，包括位置停留点聚类识别、时间序列化模糊处理以及访问服务语义扩展，转换成包括出行用户编号、用户出行时间段、用户停留点位置，以及停留点访问类型的数据；
步骤二：对异构信息网络进行扩展，得到异构出行网络模型，并且采用用户、用户停留点、停留点访问类型、出行时间段作为异构出行网络模型节点；
步骤三：构造小于4个节点数的出行元路径，由小于4个节点数的出行元路径构成对称元路径集；
步骤四：通过计算异构出行网络模型中元路径特征，通过出行相似性度量算法确定出行行为的相似度。
本发明进一步的改进在于，异构出行网络模型的边缘是在节点类型之间构建的，节点之间的语义关系分别为：连接用户和停留点，表明用户停留在一个确定的地方；连接停留点和服务，表明用户在停留点访问的服务类型；连接停留点和时间，表明用户停留在停留点的时间段。
本发明进一步的改进在于，异构出行网络模型采用六元组TN＝<U,L,S,T,E,W>表示，其中：
(1)U＝{u1,u2,…,un}为出行用户节点集合；
(2)L＝{l1,l2,…,lm}为停留点节点集合；
(3)S＝{s1,s2,…,s21}为在停留点访问服务的类型集合；
(4)T＝{t1,t2,t3,t4}为出行时间序列集合；
(5)E＝{Eul∪Els∪Elt})是异构出行网络模型中所有边的集合，其中，Eul＝{e(u,l)|u∈U,l∈L}描述了用户与地点之间的语义关系，即用户在地点停留；Els＝{e(l,s)|l∈L,s∈S}，其蕴含了地点与服务种类之间的语义联系，即用户在地点停留且使用其提供的服务种类；Elt＝{e(l,t)|l∈L,t∈T}描述了时间段与地点之间的语义关系，即用户在时间段内停留；
(6)W＝{Wul∪Wls∪Wlt}是异构出行网络模型中边的权值集合，其中，Wul＝ω(e(u,l))度量了用户出现在某个停留点的次数；Wls＝ω(e(l,s))标识停留点提供的服务种类个数；Wlt＝ω(e(l,t))确定在一个时间段内出现的停留点个数。
本发明进一步的改进在于，步骤四的具体过程如下：
首先，通过样本训练确定出行用户x与y的相似状态，然后根据步骤三得到的对称元路径集mPsym＝{ULU,ULSLU,ULTLU}，利用Pathsim方法产生元路径集上的一个特征向量
基于逻辑回归模型可知，两个用户的相似性预测结果如公式(2)
其中，向量Y代表训练集中的用户x与y的相似性，其值为0或1，0代表不相似，1代表相似。
利用Pathsim方法产生元路径集上的特征向量中的一个特征值PWx,y(mp)的具体过程如下：
采用如下式(1)得到：
其中，Px-y表示用户x与y之间的元路径数，Px-x，Py-y分别表示x，y与连接自身之间的元路径数；Eul(x，L)与Eul(y，L)，分别表示x和y到达特定地点L的元路径集合，Wul(x,L)与Wul(y,L)为其相应权值；Eul(x,L)∩Eul(y,L)表示x与y到达相同地点的元路径集合；i和j分别表示x和y访问特定位置的次数。
与现有技术相比，本发明的有益效果在于：
与现有分析方法不同，本发明使用时空GPS轨迹构造异构出行网络模型，提出出行元路径。在出行网络模型中选取对称元路径集合，采用出行相似性度量算法实现用户间的相似性计算，预测两个用户在出行行为的上相似性。本发明提出的采用复合元路径的相似性计算方法比基于单条元路径方法的查全率与查准率高，且有直观的可理解语义性，有助于准确地发现潜在用户和相似群体，为他们提供更加精准和差异化的服务。
进一步的，通过改进现有的Pathsim方法，采用多条元路径计算用户相似性，比采用单一元路径的算法性能更好，其查全率和查准率更高。
附图说明
图1为异构出行网络模型的拓扑结构图。
具体实施方式
以下结合附图对本发明提出的相似出行者识别方法进行具体说明。
步骤一：数据处理，前期对数据进行预处理工作，包括位置停留点聚类识别、时间序列化模糊处理、访问服务语义扩展等，转换成所需要的格式；
经典异构信息网络一般定义为三元组G＝<V,E,A>，其中V是具有不同性质的节点集合，包括不同的主体对象。E是边集合，描述不同主体对象之间的多种语义关联，A是节点类型集合，代表主体对象所属的类型。该网络允许为多种类型的节点建立其之间的复杂关系。
本发明中将原始的GPS数据具体处理成包括出行用户编号、用户出行时间段、用户停留点位置，以及停留点访问类型；
其中，出行时间段是按照一定的时间间隔将一天24小时划分为四个时段，具体为{<00:00:00,07:00:00>、<07:00:00,12:00:00>、<12:00:00,19:00:00>、<19:00:00,24:00:00>}。停留点访问类型即服务类包括21个种类，例如教育培训、购物以及文化传媒等。停留点位置有如圆明园遗址公园、清华大学、黄村医院南院、东贸国际等1000多个不同的位置。
具体的，本发明采用微软轨迹数据集。提取了3891个停留点，然后执行数据清理和归一化等操作，以获得所需的时空轨迹。原始GPS数据与处理后的数据分别如表1、表2所示。
表1原始的GPS数据
| 出行用户 | 经度 | 纬度 | 日期 | 时间戳 |
| 0 | 40.008973 | 116.321506 | 2008/11/12 | 4:52:19 |
| 0 | 40.007524 | 116.319321 | 2008/10/23 | 10:07:56 |
| 0 | 40.01229 | 116.297072 | 2008/10/28 | 2:11:29 |
表2处理后的数据
| 出行用户 | 出行时间段 | 访问服务类 | 停留点位置 |
| 0 | 1 | 文化传媒 | 利民誉印服务 |
| 0 | 2 | 旅游景点 | 圆明园公园 |
| 0 | 1 | 教育培训 | 清华大学 |
步骤二：本发明对异构信息网络进行扩展，采用出行用户、停留点位置、停留点服务类、出行时间作为异构出行网络模型节点，如图1。
图1所示模型的边缘是在节点类型之间构建的。节点之间的语义关系分别为：连接用户和停留点，表明用户停留在一个确定的地方；连接停留点和服务，表明用户在停留点访问的服务类型；连接停留点和时间，表明用户停留在停留点的时间段。此外，本发明允许在异构出行网络中加权来量化不同节点之间的关联程度。
异构出行网络模型采用六元组TN＝<U,L,S,T,E,W>表示，其中：
(1)U＝{u1,u2,…,un}为出行用户节点集合；
(2)L＝{l1,l2,…,lm}为停留点节点集合；
(3)S＝{s1,s2,…,s21}为在停留点访问服务的类型集合；
(4)T＝{t1,t2,t3,t4}为出行时间序列集合；
(5)E＝{Eul∪Els∪Elt})是模型中所有边的集合，其中，Eul＝{e(u,l)|u∈U,l∈L}描述了用户与地点之间的语义关系，即用户在地点停留；Els＝{e(l,s)|l∈L,s∈S}，其蕴含了地点与服务种类之间的语义联系，即用户在地点停留且使用其提供的服务种类；Elt＝{e(l,t)|l∈L,t∈T}描述了时间段与地点之间的语义关系，即用户在时间段内停留。
(6)W＝{Wul∪Wls∪Wlt}是模型中边的权值集合，其中，Wul＝ω(e(u,l))度量了用户出现在某个停留点的次数；Wls＝ω(e(l,s))标识停留点提供的服务种类个数；Wlt＝ω(e(l,t))确定在一个时间段内出现的停留点个数。
步骤三：本发明构造小于4个节点的出行元路径，由小于4个节点的出行元路径构成对称元路径集合。(如表3中所示‘U→L→U’，‘U→L→S→L→U’，‘U→L→T→L→U’)
表3基于出行关系的元路径描述
元路径的提出主要用来描述异构信息网络中任意不同节点之间的路径类型。在交通出行场景下，不同用户的出行属性具有特定的语义联系。不同出行元路径隐含的语义不同，所表现出的用户间的出行关系也不同。下面给出出行关系、出行元路径以及出行路径实例的定义。
定义1(出行关系)根据异构出行网络模型中的节点类型，不同用户之间具有以下三类出行关系R：用户在某地停留，定义为基于出行地点的出行关系，用R1表示；用户在停留时访问某类出行服务，定义为基于出行服务的出行关系，用R2表示；用户在某个时间段内在某地停留，定义为基于出行时间的出行关系，用R3表示。
定义2(出行元路径)在异构出行网络模型TN＝<P,L,S,T,E,W>中，出行元路径描述为其中R为节点间的出行关系，R＝{R1,R2,R3}。
定义3(出行路径实例)对于出行元路径meta-Path(mP)，如果存在真实路径其中对于任意i，模型节点vi与vi+1之间关系为Rj，那么路径p称为出行元路径的一条路径实例。所有能满足条件的p的集合称为元路径的实例集。根据已有的研究结果表示，元路径中节点个数大于4个时，节点间关联性将显著降低。并且，若两个用户的出行关系相似，其必然存在对称元路径。因此，步骤三仅构造小于4个节点数的出行元路径。
步骤四：通过计算出行模型中元路径特征可确定出行行为的相似度。
选取停留点、服务类别与出行时间为出行特征，采用元路径方式进行相似分析。
具体的，在已选定元路径集合的基础上，采用PathSim方法计算用户间元路径特征值的公式如(1)
其中，Px-y表示用户x与y之间的元路径数，Px-x，Py-y分别表示x，y与连接自身之间的元路径数。Eul(x，L)与Eul(y，L)，分别表示x和y到达特定地点L的元路径集合，Wul(x,L)与Wul(y,L)为其相应权值。Eul(x,L)∩Eul(y,L)表示x与y到达相同地点的元路径集合。i和j分别表示x和y访问特定位置的次数。
出行相似性度量Muti-Path SimTravle(MPST)算法：通过对任意用户之间的出行元路径实例进行量化，可确定用户间在出行关系上的相似性。
首先通过样本训练确定出行用户x与y的相似状态，然后根据步骤三构造的对称元路径集mPsym＝{ULU,ULSLU,ULTLU}，利用Pathsim的量化方法可产生元路径集上的一个特征向量
基于逻辑回归模型可知，两个用户的相似性预测结果如公式(2)
其中，向量Y代表训练集中的用户x与y的相似性，其值为0(代表不相似)或1(代表相似)。同时，基于训练集，采用监督学习方法来生成元路径特征向量的权值向量Θ。在此基础上，选取测试集中不同出行用户数据，进行相似性的预测。
MPST算法实现如表4所示，采用MPST算法计算用户相似性的具体实现步骤如下：
4.1)算法1-9行从已知相似性结果的出行用户集合中选取元路径，并采用公式(1)计算其特征值，进而生成特征向量。
4.2)第10行将生成的特征向量输入至逻辑回归模型中，通过训练数据，得到权值Θ；
4.3)第12-23行从测试集中选取待预测相似性的出行用户集合，按照之前的求特征向量的方法求得其特征向量，然后在求得权值Θ的情况下计算并输出相似性向量，作为判断出行用户相似性的依据。
表4MPST算法
本发明以时空GPS轨迹为数据源，采用异构信息网络理论，识别出行行为的语义路径集合并进行多特征的机器学习过程，最终揭示出行用户在相似性上的内在机理。
Claims (3)
1.一种基于复合元路径的相似出行者识别方法，其特征在于，包括以下步骤：
步骤一：对GPS数据进行预处理，包括位置停留点聚类识别、时间序列化模糊处理以及访问服务语义扩展，转换成包括出行用户编号、用户出行时间段、用户停留点位置，以及停留点访问类型的数据；
步骤二：对异构信息网络进行扩展，得到异构出行网络模型，并且采用用户、用户停留点、停留点访问类型、出行时间段作为异构出行网络模型节点；其中，异构出行网络模型的边缘是在节点类型之间构建的，节点之间的语义关系分别为：连接用户和停留点，表明用户停留在一个确定的地方；连接停留点和服务，表明用户在停留点访问的服务类型；连接停留点和时间，表明用户停留在停留点的时间段；并且异构出行网络模型采用六元组表示；
步骤三：构造小于4个节点数的出行元路径，由小于4个节点数的出行元路径构成对称元路径集；
步骤四：通过计算异构出行网络模型中元路径特征，通过出行相似性度量算法确定出行行为的相似度；
其中，异构出行网络模型的六元组表示，其中：
（1）为出行用户节点集合；
（2）为停留点节点集合；
（3）为在停留点访问服务的类型集合；
（4）为出行时间序列集合；
（5）是异构出行网络模型中所有边的集合，其中，描述了用户与地点之间的语义关系，即用户在地点停留；，其蕴含了地点与服务种类之间的语义联系，即用户在地点停留且使用其提供的服务种类；描述了时间段与地点之间的语义关系，即用户在时间段内停留；
（6）是异构出行网络模型中边的权值集合，其中，度量了用户出现在某个停留点的次数；标识停留点提供的服务种类个数；确定在一个时间段内出现的停留点个数。
2.根据权利要求1所述的一种基于复合元路径的相似出行者识别方法，其特征在于，步骤四具体过程如下：
首先，通过样本训练确定出行用户与的相似状态，然后根据步骤三得到的对称元路径集，利用Pathsim方法产生元路径集上的一个特征向量
,
基于逻辑回归模型可知，两个用户的相似性预测结果如公式（2）
（2）
其中，向量代表训练集中的用户与的相似性，其值为0或1，0代表不相似，1代表相似，为权值向量。
3.根据权利要求2所述的一种基于复合元路径的相似出行者识别方法，其特征在于，利用Pathsim方法产生元路径集上的特征向量中的一个特征值的具体过程如下：
采用如下式（1）得到：
，（1）
其中，表示用户与之间的元路径数，，分别表示与连接自身之间的元路径数；Eul（x，L）与Eul（y，L），分别表示和到达特定地点L的元路径集合，为其相应权值；表示与到达相同地点的元路径集合；和分别表示和访问特定位置的次数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810155791.3A CN108256590B (zh) | 2018-02-23 | 2018-02-23 | 一种基于复合元路径的相似出行者识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810155791.3A CN108256590B (zh) | 2018-02-23 | 2018-02-23 | 一种基于复合元路径的相似出行者识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108256590A CN108256590A (zh) | 2018-07-06 |
| CN108256590B true CN108256590B (zh) | 2019-04-02 |
Family
ID=62744357
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810155791.3A Active CN108256590B (zh) | 2018-02-23 | 2018-02-23 | 一种基于复合元路径的相似出行者识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108256590B (zh) |
Families Citing this family (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109685630B (zh) * | 2019-01-09 | 2020-10-27 | 苏州大学 | 电子商务团购推荐方法及系统 |
| CN110009455B (zh) * | 2019-04-02 | 2022-02-15 | 长安大学 | 一种基于网络表示学习的网约共享出行人员匹配方法 |
| CN110677815A (zh) | 2019-08-07 | 2020-01-10 | 北京百度网讯科技有限公司 | 停留点识别方法、装置、计算机设备及存储介质 |
| CN110647675B (zh) * | 2019-08-07 | 2022-05-27 | 北京百度网讯科技有限公司 | 停留点识别及预测模型训练方法、装置及存储介质 |
| JP6810978B1 (ja) * | 2020-03-16 | 2021-01-13 | 株式会社ピース企画 | クラスタ生成装置、クラスタ生成方法及びクラスタ生成プログラム |
| CN111476322B (zh) * | 2020-05-22 | 2022-05-20 | 哈尔滨工程大学 | 一种基于特征优化的元路径挖掘方法 |
| CN111475637B (zh) * | 2020-06-24 | 2020-10-09 | 支付宝(杭州)信息技术有限公司 | 用于推送知识点的数据处理、训练方法及装置 |
| CN113192626B (zh) * | 2021-04-13 | 2022-09-13 | 山东大学 | 基于孪生神经网络的用药方案推荐系统及方法 |
| CN114398462B (zh) * | 2022-03-24 | 2022-08-09 | 之江实验室 | 一种基于多源异构信息网络的目的地推荐方法及系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104765808A (zh) * | 2015-04-02 | 2015-07-08 | 广州杰赛科技股份有限公司 | 一种群体轨迹的挖掘方法及系统 |
| CN105069145A (zh) * | 2015-08-20 | 2015-11-18 | 中国科学院计算技术研究所 | 用于确定社交网络用户关系强度的方法及系统 |
| CN107016033A (zh) * | 2016-12-26 | 2017-08-04 | 阿里巴巴集团控股有限公司 | 一种社交网络用户信息关联方法及装置 |
| CN107532920A (zh) * | 2015-04-15 | 2018-01-02 | 通腾导航技术股份有限公司 | 获得兴趣点数据的方法 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2014017764A1 (ko) * | 2012-07-27 | 2014-01-30 | 에스케이플래닛 주식회사 | 정보 제공 방법, 이를 위한 장치 및 시스템 |
| CN104850632A (zh) * | 2015-05-22 | 2015-08-19 | 东北师范大学 | 一种通用的基于异构信息网络的相似度计算方法与系统 |
| CN106778894A (zh) * | 2016-12-29 | 2017-05-31 | 大连理工大学 | 一种学术异构信息网络中作者合作关系预测的方法 |
| CN106802956B (zh) * | 2017-01-19 | 2020-06-05 | 山东大学 | 一种基于加权异构信息网络的电影推荐方法 |
-
2018
- 2018-02-23 CN CN201810155791.3A patent/CN108256590B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104765808A (zh) * | 2015-04-02 | 2015-07-08 | 广州杰赛科技股份有限公司 | 一种群体轨迹的挖掘方法及系统 |
| CN107532920A (zh) * | 2015-04-15 | 2018-01-02 | 通腾导航技术股份有限公司 | 获得兴趣点数据的方法 |
| CN105069145A (zh) * | 2015-08-20 | 2015-11-18 | 中国科学院计算技术研究所 | 用于确定社交网络用户关系强度的方法及系统 |
| CN107016033A (zh) * | 2016-12-26 | 2017-08-04 | 阿里巴巴集团控股有限公司 | 一种社交网络用户信息关联方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108256590A (zh) | 2018-07-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108256590B (zh) | 一种基于复合元路径的相似出行者识别方法 | |
| Zhang et al. | The Traj2Vec model to quantify residents’ spatial trajectories and estimate the proportions of urban land-use types | |
| CN110119475B (zh) | 一种poi推荐方法及推荐系统 | |
| CN108804551B (zh) | 一种兼顾多样性与个性化的空间兴趣点推荐方法 | |
| CN111222847B (zh) | 基于深度学习与非监督聚类的开源社区开发者推荐方法 | |
| CN107133262A (zh) | 一种基于多影响嵌入的个性化poi推荐方法 | |
| CN108399189A (zh) | 基于社团发现的好友推荐系统及其方法 | |
| CN110191416A (zh) | 用于分析目标实体的移动的装置、系统和方法 | |
| CN116244513B (zh) | 随机群组poi推荐方法、系统、设备及存储介质 | |
| CN106776928A (zh) | 基于内存计算框架、融合社交环境及时空数据的位置推荐方法 | |
| CN109948066A (zh) | 一种基于异构信息网络的兴趣点推荐方法 | |
| Xin et al. | A location-context awareness mobile services collaborative recommendation algorithm based on user behavior prediction | |
| CN116542708A (zh) | 一种智能优质商业门店规模推荐及其分级评分方法 | |
| Cai et al. | Discovery of urban functional regions based on Node2vec | |
| CN108182496A (zh) | 一种城市互联网开放数据获取处理分析方法 | |
| Huang et al. | Understanding spatio-temporal mobility patterns for seniors, child/student and adult using smart card data | |
| CN108647189B (zh) | 一种识别用户人群属性的方法及装置 | |
| Gong et al. | Learning spatial interaction representation with heterogeneous graph convolutional networks for urban land-use inference | |
| CN110633890A (zh) | 一种土地利用效率判断方法和系统 | |
| CN111079003A (zh) | 一种社交圈为关键支撑的潜在偏好关联预测模型的技术方案 | |
| Tang et al. | Efficient similarity search for travel behavior | |
| Yu et al. | RePiDeM: A refined POI demand modeling based on multi-source data | |
| Sang et al. | GCMT: a graph-contextualized multitask spatio-temporal joint prediction model for cellular trajectories | |
| Ma et al. | Multi-factor fusion POI recommendation model | |
| Yang et al. | The spatiotemporal prediction method of urban population density distribution through behaviour environment interaction agent 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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |