本文關(guān)鍵詞：利用手機移動軌跡與通信信息的用戶親近關(guān)系挖掘算法研究

  更多相關(guān)文章： 移動通信數(shù)據(jù) 共現(xiàn)模式 親近關(guān)系 MapReduce

【摘要】：隨著移動通信技術(shù)的發(fā)展,手機移動用戶從3G通信時代進入4G互聯(lián)時代。通信速度的提升,網(wǎng)絡(luò)頻譜的拓寬以及智能終端性能的不斷提高,使得人們的日常通信質(zhì)量得到逐步提升。多樣的通信形式,穩(wěn)定的移動網(wǎng)絡(luò),精確的定位技術(shù)和繁多的手機應(yīng)用,豐富了人們的人際交往,點綴了移動用戶的多彩生活。在日常的社交過程中,隨著時間的推移,人們的社交圈會逐步趨于穩(wěn)定。利用用戶間社交行為的相關(guān)數(shù)據(jù),可以推測用戶間的社交親近關(guān)系。用戶間的親近關(guān)系是其他諸多領(lǐng)域中應(yīng)用研究的基礎(chǔ),例如好友推薦系統(tǒng),相似興趣愛好的社團發(fā)現(xiàn),犯罪團伙預(yù)測,運營商營銷策略的制定等等。本文利用移動手機用戶的移動軌跡和用戶間通信信息,挖掘移動手機用戶間的親近關(guān)系,主要工作和創(chuàng)新點如下：(1)提出了利用手機移動軌跡發(fā)現(xiàn)用戶共現(xiàn)模式的算法。該算法強調(diào)規(guī)律性,從個體用戶的生活規(guī)律角度出發(fā),利用用戶間運動模式的相似發(fā)現(xiàn)共現(xiàn)模式,推測用戶間可能存在的親近關(guān)系。實驗結(jié)果表明該算法能有效地發(fā)現(xiàn)有意義的群體關(guān)系,并能發(fā)現(xiàn)用戶生活模式的變化。(2)建立了利用移動手機用戶通信數(shù)據(jù)的用戶親近關(guān)系模型,提出了親近關(guān)系挖掘算法。在抽取用戶通信行為特征時,除了通信的時長、次數(shù)因素外,還提取了分時段的數(shù)據(jù)屬性特征,清晰地刻畫了用戶通信的時間行為。另外,算法量化了用戶通信意愿的屬性特征,表達了用戶通信的主觀行為�；谟脩敉ㄐ诺臅r間行為和主觀行為,模型在程度和類別上進一步劃分了親近關(guān)系。實驗結(jié)果表明,該算法可以有效地展示用戶間的親近關(guān)系。(3)提出了用戶共現(xiàn)模式挖掘的并行算法。為解決大數(shù)據(jù)環(huán)境下串行算法運算效率和數(shù)據(jù)存儲的瓶頸問題,.本文利用MapReduce編程模型和大數(shù)據(jù)處理平臺,實現(xiàn)用戶共現(xiàn)模式的并行計算。實驗結(jié)果表明,該并行算法可以較好地提高用戶間共現(xiàn)模式發(fā)現(xiàn)的效率,并且隨著數(shù)據(jù)量的不斷增長,程序運行時間呈線性增長。
【關(guān)鍵詞】：移動通信數(shù)據(jù) 共現(xiàn)模式 親近關(guān)系 MapReduce
【學位授予單位】：南京師范大學
【學位級別】：碩士
【學位授予年份】：2016
【分類號】：TP311.13
【目錄】：

• 摘要4-5
• Abstract5-9
• 第一章 緒論9-17
• 1.1 研究背景與意義9-11
• 1.2 用戶親近關(guān)系研究現(xiàn)狀及研究意義11-15
• 1.2.1 利用移動用戶位置信息推斷用戶間親近關(guān)系11-13
• 1.2.2 利用移動用戶間通信信息推斷用戶間的親近關(guān)系13-15
• 1.3 本文研究內(nèi)容15
• 1.4 本文組織結(jié)構(gòu)15-17
• 第二章 用戶親近關(guān)系挖掘的相關(guān)理論17-24
• 2.1 數(shù)據(jù)挖掘理論簡述17-18
• 2.2 時空軌跡模式挖掘概述18-21
• 2.2.1 伴隨模式19-20
• 2.2.2 頻繁模式20-21
• 2.2.3 異常模式21
• 2.2.4 聚集模式21
• 2.3 數(shù)據(jù)分類簡述21-23
• 2.3.1 決策樹歸納22
• 2.3.2 貝葉斯分類方法22-23
• 2.3.3 基于規(guī)則的分類方法23
• 2.4 本章小結(jié)23-24
• 第三章 利用手機移動軌跡發(fā)現(xiàn)用戶共現(xiàn)模式的算法24-32
• 3.1 引言24
• 3.2 概念定義24-26
• 3.3 用戶共現(xiàn)模式挖掘算法26-29
• 3.4 實驗29-31
• 3.4.1 實驗環(huán)境29
• 3.4.2 數(shù)據(jù)源29-30
• 3.4.3 實驗結(jié)果30-31
• 3.5 本章小結(jié)31-32
• 第四章 利用手機用戶通信信息發(fā)現(xiàn)用戶間親近關(guān)系32-45
• 4.1 引言32
• 4.2 用戶親近關(guān)系特征向量定義32-35
• 4.3 建立用戶親近關(guān)系模型35-38
• 4.4 用戶親近關(guān)系挖掘算法38-40
• 4.5 實驗40-43
• 4.5.1 實驗環(huán)境40
• 4.5.2 數(shù)據(jù)源40
• 4.5.3 實驗結(jié)果40-43
• 4.6 本章小結(jié)43-45
• 第五章 用戶共現(xiàn)模式并行程序設(shè)計45-53
• 5.1 Hadoop并行編程模型45-48
• 5.1.1 MapReduce編程模型45-47
• 5.1.2 HDFS文件系統(tǒng)47-48
• 5.2 用戶共現(xiàn)模式并行挖掘算法48-52
• 5.2.1 可行性分析48
• 5.2.2 并行程序設(shè)計48-51
• 5.2.3 實驗51-52
• 5.3 本章小結(jié)52-53
• 第六章 總結(jié)與展望53-55
• 6.1 總結(jié)53
• 6.2 展望53-55
• 參考文獻55-60
• 致謝60

【相似文獻】

中國期刊全文數(shù)據(jù)庫 前10條

1 胡亮;裴瑩;初劍峰;袁巍;王文博;樊麗;劉建男;;基于鼠標移動軌跡的真隨機數(shù)產(chǎn)生方法[J];吉林大學學報(理學版);2011年05期

2 蔣新華;廖律超;鄒復民;;基于浮動車移動軌跡的新增道路自動發(fā)現(xiàn)算法[J];計算機應(yīng)用;2013年02期

3 王江鋒;閆學東;邵春福;魏麗英;;基于Min-Max方法和移動軌跡融合的車輛無線定位算法[J];汽車工程;2012年05期

4 瑪麗;;手持“利器”PERFACT Performance讓課堂講演更精彩[J];上海教育;2010年20期

5 瑪麗;;手持“利器”PERFACT Performance讓課堂講演更精彩[J];上海教育;2010年Z2期

6 瑪麗;;手持“利器”PERFACT Performance讓課堂講演更精彩[J];上海教育;2010年22期

7 葉春曉;宋為濤;;基于移動軌跡的集裝箱碼頭中控調(diào)度研究[J];計算機應(yīng)用研究;2011年08期

8 熊妍;羅澤;閻保平;;GPS位置歷史挖掘和移動軌跡異常檢測系統(tǒng)的設(shè)計與實現(xiàn)[J];計算機應(yīng)用研究;2013年09期

9 吳國鳳;吳善新;;基于MN的移動軌跡的MAP實時調(diào)整策略[J];計算機系統(tǒng)應(yīng)用;2008年05期

10 周昌令;錢群;趙伊秋;尚群;;校園無線網(wǎng)用戶群體的移動行為聚集分析[J];通信學報;2013年S2期

中國碩士學位論文全文數(shù)據(jù)庫 前10條

1 林海標;移動軌跡挖掘算法設(shè)計與系統(tǒng)實現(xiàn)[D];華南理工大學;2015年

2 權(quán)宇澄;動物移動軌跡數(shù)據(jù)的挖掘研究[D];華東師范大學;2016年

3 錢琨;基于蜂窩信令數(shù)據(jù)的移動軌跡清洗和預(yù)測方法研究與實現(xiàn)[D];西南交通大學;2016年

4 隋雪芹;基于社會媒體的用戶移動軌跡挖掘及其在朋友推薦中的應(yīng)用研究[D];山東大學;2016年

5 安建瑞;基于MapReduce的用戶移動軌跡序列模式挖掘算法研究[D];山東理工大學;2016年

6 劉敏;面向機會網(wǎng)絡(luò)的人類移動軌跡特征分析方法的研究[D];南京郵電大學;2016年

7 王晨璐;利用手機移動軌跡與通信信息的用戶親近關(guān)系挖掘算法研究[D];南京師范大學;2016年

8 胡偉峰;道路網(wǎng)物體移動模式的研究[D];河海大學;2007年

9 宋為濤;基于移動軌跡的集裝箱碼頭中控調(diào)度研究[D];重慶大學;2011年

10 谷小蕾;WSAN激勵節(jié)點最優(yōu)移動軌跡設(shè)計[D];西南交通大學;2012年

，

本文編號：800948