用戶移動(dòng)上網(wǎng)訪問基站的軌跡數(shù)據(jù)從時(shí)間和空間上反映了用戶的生活習(xí)慣和行為模式,時(shí)間和空間信息同時(shí)產(chǎn)生不應(yīng)分別考慮,因此在傳統(tǒng)的TF-IDF方法的基礎(chǔ)上提出了與時(shí)間相關(guān)的TFT-IDFT方法,用以提取軌跡點(diǎn)語義信息,進(jìn)而采用word2vec的方法將軌跡數(shù)據(jù)轉(zhuǎn)化為文檔分析,提取包含位置信息和語義信息的軌跡時(shí)空詞向量,在此基礎(chǔ)上建立多分類模型對(duì)用戶所屬年齡段進(jìn)行識(shí)別。實(shí)驗(yàn)結(jié)果表明,改進(jìn)的TFT-IDFT方法在提取軌跡語義時(shí)更具合理性,且基于此方法構(gòu)建的軌跡時(shí)空詞向量應(yīng)用于分類模型,對(duì)用戶所屬年齡階段的識(shí)別效果更好。此外,采用K-Means方法對(duì)4G用戶進(jìn)行了聚類分析,并對(duì)每個(gè)類別的用戶特征進(jìn)行了分析。結(jié)果表明利用用戶移動(dòng)上網(wǎng)的時(shí)空數(shù)據(jù),可以較好地將用戶聚類為4組,這4組的特征分別為:活動(dòng)重復(fù)度高且活動(dòng)范圍較小的人群,活動(dòng)重復(fù)度高但活動(dòng)范圍較大的人群,活動(dòng)重復(fù)度低但活動(dòng)范圍較小的人群,以及活動(dòng)重復(fù)度低且活動(dòng)范圍較大的人群。此外還從工作日和休息日的不同活動(dòng)情況推斷了用戶的活動(dòng)重復(fù)度高低和活動(dòng)范圍大小是由于主觀懶散還是客觀條件造成。

【文章頁數(shù)】：83 頁

【部分圖文】：

圖４ＣＢＯＷ和Ｓｋｉｐ－ｇｒａｍ模型構(gòu)架圖本文采用模型對(duì)于給定的一系列

７期吳浩等：基于軌跡時(shí)空詞向量的用戶年齡特征識(shí)別述其對(duì)應(yīng)單詞的語義相似度。Ｗｏｒｄ２ｖｅｃ有兩類模型：ＣＢＯＷ（ＣｏｎｔｉｏｕｓＢａｇ－ｏｆ－Ｗｏｒｄｓ）模型和Ｓｋｉｐ－ｇｒａｍ模型。其區(qū)別在于ＣＢＯＷ利用上下文預(yù)測(cè)目標(biāo)詞，Ｓｋｉｐ－ｇｒａｍ模型通過目標(biāo)詞來預(yù)測(cè)上下文，如圖４所示....

圖1-1技術(shù)路線圖

上海交通大學(xué)碩士學(xué)位論文81.5論文結(jié)構(gòu)安排本文將對(duì)基于軌跡時(shí)空詞向量識(shí)別用戶特征的問題進(jìn)行俺就，論文的結(jié)構(gòu)安排如下：第一章介紹本文的研究背景與意義，研究的主要內(nèi)容，關(guān)于本文的國內(nèi)外相關(guān)文獻(xiàn)，以及本研究所面臨的挑戰(zhàn)。第二章介紹了軌跡數(shù)據(jù)、詞向量模型、分類預(yù)測(cè)模型、聚類模型等相關(guān)的....

圖2-1CBOW和Skip-gram模型構(gòu)架圖

上海交通大學(xué)碩士學(xué)位論文25是該詞的概率，然后通過softmax函數(shù)對(duì)輸出值進(jìn)行歸一化處理，計(jì)算公式為yuzq，其中u是隱含層到輸出層的權(quán)重，q為偏置項(xiàng)。2.4.4Skip-gram和CBOW模型Word2vec有兩類模型：CBOW（ContiousBag-of-Words）模型....

圖3-1剪枝無效點(diǎn)Fig.3-1Rawtrajectory

上海交通大學(xué)碩士學(xué)位論文30根據(jù)實(shí)際經(jīng)驗(yàn)，普通公路上的速度上限一般在60km/h~120km/h，人的步行速度一般在15km/h，同時(shí)一般而言，用戶不可能在3秒內(nèi)以任何交通工具方式形成鋒利銳角的軌跡夾角，因此，在本文中，速度閾值=15vkm/h，距離閾值=200dm，時(shí)間閾值12....

本文編號(hào)：3951022