基于密度聚类的签到轨迹大数据分层预处理研究

随着基于位置的社交网络的发展,时空-文本等轨迹数据量呈指数式增长,与此同时数据低质的问题日益显著。高质的签到数据可以使研究人员更好地从中挖掘丰富且有意义的知识,因此为了更有效地使用签到大数据,数据预处理必不可少。签到数据具有冗余度高、同时签到、时空签到跨度大等低质问题,导致不能直接使用现有的数据预处理流程和方法。针对签到数据特性,提出一套具有针对性的数据预处理流程。通过平均化处理消除了签到轨迹中存在的同时签到数据;通过学习基于熵的时间戳间隔阈值划分签到轨迹,解决签到轨迹时间跨度大的问题;利用基于密度聚类的方法实现签到轨迹分层,解决空间跨度大的问题。实验采用真实的签到轨迹数据,从离群点和分层效果两个方法对预处理效果进行评价,实现不同空间粒度的签到轨迹分离预处理,为后续的轨迹分析与挖掘奠定基础。

大数据背景下签到轨迹数据质量评价与实证

随着定位技术的蓬勃发展,位置相关数据量呈指数式增长,其中数据劣质的问题日益显著。数据质量是统计工作的核心。轨迹大数据在各行各业应用渗透性不断扩大,确保轨迹大数据的可靠性、准确性和及时性,才能做出合理的决策,大数据的机遇和优势才能充分得到发挥。基于此,文章构建了大数据背景下签到轨迹数据质量的影响因素指标模型,利用真实的签到数据集,分析了影响签到轨迹数据质量的影响因素,并提出了提高签到轨迹数据质量的对策和方法。

TraDR:一种基于轨迹分解重构的移动社交网络位置预测方法

随着移动社交网络的不断发展,利用用户发布的位置信息为其提供基于地域的个性化推荐服务不仅给用户提供了便利,也为商户带来了巨大的潜在利益。位置预测技术作为此类服务中的关键技术,是移动社交网络中的重要研究内容之一。结合移动社交网络的特点,提出了基于轨迹"分解-重构"的位置预测方法 TraDR,利用公开易得的先验知识,为用户建立个性化的位置推理模型,有效解决了常见位置预测算法所面临的"轨迹数据稀疏问题"。基于真实数据集的实验验证了该预测方法在预测有效性及效率方面的优越性。