一种基于移动数据挖掘和区块链的数据共享方法

移动数据挖掘是指对移动设备中大规模数据进行挖掘和分析的过程,获取有用的信息和知识,以支持移动应用和服务的开发和改进。区块链是一种分布式的、去中心化的数据库技术,可以实现在网络中多方之间安全地传输信息、交易资产,不依赖于中心化的机构或第三方信任机构。然而,面对复杂的移动数据场景,现有的隐私保护、索引选择等方法存在诸多不足,如无法高效处理大数据量的加解密任务、区块链上数据分布不均、无法有效应对移动设备计算能力不足等问题。针对上述不足,提出一种基于移动数据挖掘和区块链的数据共享方法(A Data Sharing Method for Mobile Data Mining and Blockchain,ADS-MB)。ADS-MB集成了密钥分片共享算法,可有效避免密钥被第三方获取或篡改而导致隐私内容泄露。ADS-MB使用基于SM2的改进算法来加强区块链数据的一致性和安全性,同时支持动态的区块链索引维护。实验结果表明,在真实移动业务数据集和WeiboDataShare数据集上,ADS-MB的性能优于现有的数据分享方法。

基于情景感知与移动数据挖掘的行人轨迹预测方法

移动数据挖掘是智能交通领域中各项应用的研究基础,对于理解复杂的人类行为模式和改善城市规划、交通和公共安全有着巨大的潜力。行人轨迹预测立足于移动数据挖掘,从中发现行人的移动规律,致力于在智能机器人、自动驾驶、智慧旅游等许多现代产业中发挥重要作用。考虑到传统的行人轨迹预测模型仅关注时空数据,没有充分考虑人与环境、人与人之间的相互作用以及情景信息,提出了一种基于空间社会力图神经网络(Spatial Social Force Graph Neural Network,SSF-GNN)的行人轨迹预测模型。SSF-GNN可以处理行人的历史轨迹,并从不同场景中提取特征。利用社会力理论量化了行人的互动和情景感知信息。SSF-GNN融合了行人的社会影响和隐藏状态,可以准确预测连续轨迹点。在两个经典数据集(ETH和UCY)上进行了大量的实验,结果表明SSF-GNN的性能优于当前主流算法。平均位移误差(Average Displacement Error,ADE)相较于对比方法的平均值减小了25.6%,最终位移误差(Final Displacement Error,FDE)减小了15.4%。预测行人在未来3.2 s的轨迹点时,现有对比方法的平均准确率为48.6%,SSF-GNN的准确率显著优于最先进的模型,达到67.7%。

基于数据流的移动数据挖掘研究综述

无线网络和移动设备的应用为我们带来巨大的便利,可以随时随地获得信息,同时它也引发了对高效数据流分析工具的需求。移动数据挖掘是在普适环境下的数据流挖掘,从连续的数据流中发现知识。讨论了数据流、数据流管理系统和移动数据挖掘以及它们的特点,介绍了该领域的一些研究成果,突出了面临的挑战和一些相应的策略,并对这些策略进行了比较,最后展望了这一领域的研究前景。

移动式数据挖掘平台模型

本文提出了一种移动式网络海量数据挖掘平台,给出了数据挖掘任务的形式化描述,详细讨论了平台的体系结构、工作原理与流程。该平台克服了传统网络计算模式的缺陷,支持对异质、分散数据源和知识源的挖掘和检索,具有开放性、可伸缩性、灵活性、可扩展性、健壮性。

MCDS:大规模移动通信数据计算的单机实现

移动数据具有数量庞大、类型多样、时效性强和高价值等特点.移动通信数据是一种重要的移动数据,对高效地存储和访问移动通信数据进行研究,并在此基础上更加有效地开展移动数据挖掘的相关研究,具有重大现实意义.当前,使用并行数据挖掘技术进行数据挖掘得到普遍认可,但并行数据挖掘技术需要较高的硬件成本,并行算法代码调试和优化较为困难.为此提出大规模移动通信数据的单机实现MCDS(mobile communication data processing system).MCDS基于GraphChi,改进了数据格式、分片机制、数据分片换入换出机制.实验结果验证了MCDS的有效性,为移动数据挖掘提供了切实可行的实验环境.

移动支付下数据挖掘技术在高校扶贫中的应用分析

社会的发展改变了人们的生活,我国经济水平不断提高,但仍然有部分人民处于贫困的境况。随着新课标的深入与推进,国家教育制度不断变革,对贫困生的扶持政策也受到多方面的关注。本文简单分析移动支付下数据挖掘技术在高校扶贫中的应用,希望能为大家提供参考。

面向时空数据场景的数据库索引选择框架

索引是一种用于提高数据库查询效率的数据结构,良好执行计划的生成和选择很大程度上取决于数据表上是否存在合适的索引。然而,面对复杂的时空数据场景,现有的索引选择方法存在很多不足,如无法高效处理大量范围查询、容易造成索引冗余、无法有效应对动态的工作负载等问题。针对上述问题,提出一种新型基于深度确定策略梯度(Deep Deterministic Policy Gradient,DDPG)模型和索引效益评估网络的索引选择框架:ST-IS(Index Selection method tailored for Spatio-Temporal data scenarios)。ST-IS集成了对SQL语句和索引集的新型编码方法,有效避免索引冗余或索引缺失。ST-IS使用索引效益评估网络来优化强化学习的奖励机制,同时支持动态的工作负载。大量实验结果表明,在真实时空数据集和TPC-DS标准数据集上,ST-IS的性能优于现有的索引选择方法。

用户日常频繁行为模式挖掘

针对如何在智能手机上高效准确地进行用户日常频繁行为模式挖掘问题展开研究。提出一个基于智能手机的用户日常频繁行为模式挖掘框架;为了减少用来挖掘的上下文篮子的数量、提高挖掘效率,提出一个动态的滑动窗口算法,进而提出一个将上下文出现的频率和持续时间有机地结合起来的加权模式挖掘算法;在此基础上,基于为期6周21个用户的上下文数据,对所提出的挖掘框架和算法进行实验验证,结果表明,所提出的框架和频繁模式挖掘算法可以高效地在资源有限的智能手机上运行,而且能够挖掘出反映用户生活方式的日常频繁行为模式;从两个纬度对用户日常频繁行为模式进行可视化,以可视化方式对用户在不同地方和不同时段的行为模式进行展现,从而方便用户随时了解其日常行为模式。

移动边缘智慧使能组网的挑战与机遇

从当今互联网架构所面临的层间失配问题出发,简明地论述了移动边缘智慧使能组网的挑战与机遇,涉及移动边缘组网及其实时数据采样、用于多层次特征提取的可迁移表征学习、对未来互联网的灵活编程与性能评价等内容,实现互联网基础设施与新型应用模式之间的互相感知与层间迁移,智能连接互联网架构中的不同层次,改善层间特征协配性,提升未来互联网性能。该研究有望在包括物联网数据开放服务、智慧家庭、智能交通、态势感知、多媒体服务、触觉互联网在内的很多领域具有广阔的应用前景。

基于python的移动网络优化自动化

由于移动网络复杂度的提升及网络承载数据的激增,网络优化工作人员以传统方式对网络进行优化及对网络数据进行分析就显得捉襟见肘,为能够对网络进行更好的优化及对网络数据进行深度分析,文章基于python对移动网络优化过程中的详细告警监控分析及网络数据深度挖掘分析进行了探索,设计了程序算法完成了上述工作。

数据驱动的移动用户行为研究框架与方法分析

随着智能设备的高度普及化,移动用户产生了海量移动数据。数据驱动的移动用户行为还原与挖掘,能够为用户提供深度个性化服务,成为数据挖掘的热点之一。相关研究的目的和方法差异较大并缺乏统一的研究框架,本文在2005-2015年间发表在国内外重要期刊和会议上的相关文献中筛选出近50篇有关键影响的论文,经过系统梳理和分析,建构了数据驱动的移动用户行为研究框架,主要包括：移动数据的类型、移动用户行为模式分析、移动用户画像的建构和移动用户画像的深度应用。并且系统梳理了移动用户行为研究的方法,总结了当前研究的主要难题和研究方向。

广义智慧城市顶层设计系统方法论与务实发展实践探索

以创新驱动及广义智慧域市理念为基础,主要论述了广义智慧城市的顶层设计系统方法论及其务实发展与实践探索。

基于主题模型的城市地块活动语义动态提取

随着城市区域的职能日趋复杂化,科学准确地识别城市土地的具体功能类型对于科学城市规划、实现可持续发展具有关键意义。提出了一种时序动态的城市功能区识别方案,以北京市六环内区域作为研究区,利用出租车轨迹数据,采用动态主题模型从海量出行数据中提取出行模式高发区域,并基于主题模型对城市地块进行聚类,使用POI语义标注聚类结果识别出城市功能区。研究评价了6 a内主题地块分布的变化趋势,探讨了地块活动语义的动态变化情况,结果表明:①动态主题分布具有空间扩散性,地块语义强度分布呈现明显圈层扩张性。②基于出行活动的聚类簇空间边界随时间逐渐与研究区区级行政区划吻合,功能标注结果与区域的具体职能匹配程度较高。③主题变化度高值主要分布在外环区域,且与地块建设用地占比呈负相关关系。该研究表明动态主题模型在出行数据挖掘场景下具有适用性,为时序数据挖掘的应用提供了新的方案参考。