基于签到数据的短时间体验式路线搜索

路线搜索已经广泛地应用于基于位置的服务和旅游路线推荐等领域.现有的关于路线搜索的研究,通常只考虑景点之间路线的流行程度与用户的需求,因此提供的推荐路线并未考虑景点类别的丰富性,存在类别重复的现象.为了能使用户在短时间内体验所在地区不同类别特色的景点,增强旅游体验效果,文中提出一种新的路线搜索:短时间体验式路线搜索(SERS).该路线搜索方法根据用户给定的查询位置vs、旅行时间限定t以及用户对景点类别选择的集合uc,找到一条非重复多类别且收益最大化的最优景点访问路线.为了有效处理SERS,提出一种预计算结点收益上界值的优化策略,设计了两种优化搜索算法:单收益上界剪枝搜索算法(SUB)和多收益上界剪枝搜索算法(MUB).优化的搜索算法利用收益上界值剪掉了不可能产生结果的分枝,提高了搜索效率.利用Gowalla和Foursquare社交网站真实的签到数据集进行了充分实验,评估了所提出的算法在不同参数设置下的搜索效率,验证了算法的有效性.

基于签到数据的群体局部分散式旅游路线搜索

基于位置的社交网络产生了大量反映用户喜好及路线流行规律的数据,为旅游路线搜索提供了新的模式。现有的群体旅游路线搜索通过将多个用户的偏好进行聚合,之后利用个体推荐算法进行搜索。现实生活中存在群体整体上浏览一条线路时,个体用户可以根据需要选择局部不同景点进行访问的需求。基于此需求,提出了群体用户局部分散式旅游路线搜索问题。该问题结合群体用户的个人偏好,发现一条带有局部分散POI(point of interest)的且群体收益最大的访问路线。采用签到数据,通过用户在POI间的转移情况生成POI转移关系图,在关系图上进行路线搜索。为了提高搜索效率,根据POI的流行度与转移关系设计了双层转移关系图,对POI进行了概化,实现了分级查询。设计了基于分支限界搜索策略的优化算法,利用结点间的控制关系进行剪枝,进一步提高了算法的搜索效率。利用Gowalla和Foursquare社交网站真实的签到数据集进行了充分实验,对搜索出的路线收益及算法的运行效率进行了对比,验证了所提出方法的有效性。

社会网络中弱关系团队形成问题研究

随着在线社会网络的迅速发展,社会网络的团队形成问题逐渐成为研究热点。现有的社会网络中团队形成问题目标是寻找一个成员间沟通代价最小的团队。然而,实际应用中团队成员间的不紧密关系使得团队的观点多样化、多角度、无偏见,可以广泛应用于形成专家评审团队、大众评审团等。基于此需求,将社会学的弱关系概念引入团队形成问题中,提出了一种社会网络中弱关系团队形成问题。该问题旨在寻找成员间为弱关系,同时满足技能、经验值要求的一个团队,为NP-hard问题。提出了3类算法解决该问题,分别为贪心算法、精确算法、α-近似算法,每类算法有各自的特点与适用范围。利用ACM和DBLP两类真实的数据集进行实验,综合评估了各类算法的效率与求解质量,证明了提出算法的有效性。

基于签到数据的群体旅游路线推荐

移动设备和基于位置的服务的广泛应用带来了大量的时空数据,签到数据详细记录了人们出行的移动模式,分析签到数据可以提高基于位置服务的质量,其中旅游路线推荐是重要的研究方向。现有的路线推荐的研究通常只考虑用户独自出行的情况,推荐的路线尽可能满足单个用户需求。结伴出行是旅游中常见的现象,研究群体的旅游路线推荐具有重要的意义。针对此需求,提出了群体旅游路线推荐问题,目标是为群体推荐一条能够使群体整体满意度大,个体满意度差异小,即对群体内所有成员较公平的最优群体旅游路线。通过分析聚合用户偏好时通常采用的平均数策略与无痛苦策略在推荐结果方面存在的不足,针对搜索路线时所具有的动态性特点,提出了一种动态聚合用户偏好的策略(dynamic aggregation preference,DAP)。DAP策略根据当前个体满意度,动态调整群体偏好模型,保证了推荐结果对群体整体满意度较高的同时,个体差异度小。基于DAP策略,建立路线评价模型,对路线进行满意度评分,返回分值最高的路线。利用Gowalla和Foursquare社交网站真实的签到数据集进行了充分实验,验证了算法在不同参数设置下的有效性。

空间区域中对象流动模式构建方法研究

随着时空数据获取设备的普及应用,产生了大量反映移动对象活动的位置数据,数据的海量性及分析的复杂性决定了该类数据为典型的大数据。位置数据中的到达和离开可以反映移动对象的流动规律,可以表示为区域的流动模式,本文研究空间区域中移动对象流动模式的构建方法,将区域的流动规律以时间序列进行定量表示,模式可用于指导交通、安全等方面的可预测调度。由于对象流动的随机性,使得构建高预测精度的模式成为一个挑战。提出一种基于层次聚类的流动模式构建模型,模型中通过数据的离散化、序列化、模式训练等步骤实现模式构建;提出偏斜度层次聚类树及异常序列去除方法,可以有效去除局部异常序列及自动聚簇选取,提高了模式的预测精度。利用真实数据集对所提出的模式训练方法进行了充分的实验,验证了所构建的空间区域中的流动模式可以用于表达区域中对象的流动规律,所提出的模式训练方法与现有的训练方法相比具有较高的预测精度。

空间多样化约束下的移动k近邻查询

考虑为移动中的查询对象连续返回k个距离近并且满足空间多样化约束的对象,提出了空间多样化约束下的移动k近邻(SDC-Mk NN)查询.在此,满足空间多样化约束代表对象之间的相互距离大于距离阈值.为了高效处理SDC-Mk NN查询问题,提出了两种基于安全区域技术的算法.算法均通过减少重新计算查询结果的次数来提高查询效率.其中一种为精确算法EA,可连续返回精确的查询结果;另一种为近似算法ρAA,可连续返回具有近似率保障的近似查询结果.采用真实数据集验证了所提出算法的有效性.