基于POI数据的公共免租站点数字化检测策略探索与应用

在5G网络大规模部署和刚性成本快速增长的局势下,为了节省基站建设场地租赁费用以及制定有效的选址策略,文章提出了一种公共免租站点智能检测的方法。该方法利用中文切词算法挖掘公共免租站点关键词并建立公共免租关键词库,引入广泛的POI数据、基站数据以及合同数据进行匹配和交叉运算,实现系统化、智能化地检测现有站点是否满足公共免租条件。通过建设公共免租关键词库,辅助锁定存量租用的现网物业站点,并以公共免租谈判的手段进行推动,有效地摆脱了传统人工判断的主观性与不确定性,为基站选址决策者提供可靠的参考,从而降低基站租金成本,提高5G网络的经济效益。

基于LBSN数据聚类分析的城市POI感知方法

城市POI的分布情况客观反映了一个城市各行各业的发展情况,传统获取POI的测绘手段成本高、更新周期长、时效性差,而基于位置的社交网络(Location-Based Social Network,LBSN)平台的发展为实现城市POI的感知提供了一种新思路。本文提出一种基于LBSN数据聚类分析的城市POI感知方法,首先,对LBSN数据进行预处理,包括清洗重复数据、删除无效数据、数据预分类等,以提高数据的有效性;其次,提出一种改进的DBSCAN算法,对处理后的数据进行聚类分析,从而得到准确度较高的城市各类POI分布情况。实验结果表明,与传统的DBSCAN算法以及K-means算法相比,本文提出的算法有更好的聚类效果,且在聚类指标上有更大的CH指数值和更小的DBI指数值。

多源异构POI融合方法及应用

针对不同来源的POI在数据格式、坐标参考、属性结构等方面存在差异的问题,提出了一种多源异构POI的融合方法。该方法首先将经过实测并质检的公开版地图数据做成一个母库;然后将其他来源的POI数据经过坐标统一后与母库进行空间位置和门址等属性信息的比对,将母库中没有的POI数据融合进去,最终形成内容规整、信息量丰富的POI融合库;最后进行基于空间约束关系的门址挂接,即使每一个POI点与对应的门牌建立关联关系,提升POI库的应用途径。试验结果表明,该方法能够实现多源POI数据的高效融合,与门址进行挂接后,可满足日益增加的LBS和基于地图的"点式"服务(即Location Point)的需求。

LBSN中利用深度学习的POI推荐方法

提出一种基于位置的社交网络(LBSN)中利用深度学习的POI推荐方法。设计LBSN异构图,即UP2Vec模型,整合地理签到信息、用户社会关系和时间信息等语境。提出偏好增强谱聚类(PSC)算法,通过分析用户的各种语境信息获得多个维度的数据空间特征,使用谱聚类划分用户群体。利用谱嵌入增强的神经网络深度挖掘用户与POI之间的非线性关联,实现POI的高质量推荐。实验结果表明,所提方法性能优于对比方法,推荐准确率超过90%。

多GIS多POI系统设计

为更好的适应LBS业务发展要求,利用路由控制算法实现多GIS多POI系统,从而提供GIS资源的优选和调用,以及对POI检索的数据信息进行加工挖掘,实现了GIS系统从简单架构向多层模型的发展,更好地建立了一种立体的、多层面的信息服务体系.

LBSN中利用深度学习的POI推荐方法

提出一种基于位置的社交网络中利用深度学习的POI推荐方法。建立一个地理时空注意力网络,以发现总体序列依赖性和微妙的POI-POI关系;将签到序列中连续的地理距离和时间间隔信息加入到地理时空注意力网络中,建立用户个性化移动行为和挖掘用户个性化时空偏好;设计特定于上下文的共同注意力网络,通过从签到历史中自适应选择相关签到活动来学习更改用户偏好,使地理-时空门控循环单元网络(geographical-spatiotemporal gated recurrent unit network,GS-GRUN)能够区分不同签到的用户偏好程度。在Foursquare和Gowalla数据集上的实验结果表明,所提算法能够显著提升POI推荐方法的推荐匹配度。

基于LSTM的POI个性化推荐框架

近年来,随着基于位置的社会网络(Location-Based Social Network, LBSN)热度的不断增加,为用户推荐下一个POI (Point-Of-Interests)也显得越来越重要.而对应的各种应用搜集到的用户的行为时间、地理、好友以及标签等信息的增多,使得POI推荐变得更加容易.目前针对POI推荐,已经有部分算法提出,但是他们受限于自身的局限性,还都不能很好的解决这个问题,例如,个性化马尔科夫链(Factorizing Personalized Markov Chain, FPMC)、张量分解(Tensor Factorization, TF)、RNN (Recurrent Neural Networks)等.但是,这些模型由于其本身缺陷,都不能完美的糅合POI场景中的所有信息.在这篇文章中,我们扩展了长短时记忆循环神经网络(Long-ShorT Memory recurrent neural networks, LSTM),提出一种全新的推荐框架POI-LSTM来解决POI推荐问题. POI-LSTM借鉴Embedding的思想,对用户信息、好友关系、POI信息和评论信息进行向量化后,输入到神经网络中,同时利用LSTM捕捉用户的兴趣特征和兴趣的变化趋势,最终能够在不同的输入层拟合社交网络信息和语义信息,同时利用用户历史行为的时间和地理位置信息来为用户推荐下一个兴趣点.

大数据视角下的京津冀地区城市体系现状--以POI数据和手机数据为例

京津冀一体化发展,是面向未来打造新型首都经济圈,实现京津冀优势互补,促进环渤海经济区发展的重大国家战略.为此,充分把握当前京津冀都市圈的城市体系现状是非常必要的.本文选取京津冀都市圈内6类城市基础设施的信息点数据和手机位置服务交通交互数据,从资源和交互2个方面对当前京津冀的城市体系现状展开研究;以土地利用-交通相互作用模型为理论背景,采用均衡性评价、聚类和社区发现等多种方法,深度分析了京津冀地区城市体系结构.研究结果表明:当前京津冀地区的城市基础设施资源高度集中在北京和天津,以邢台和邯郸为代表的南部城市的基础设施资源严重不足;人口交互上呈现出北京、天津双中心的结构,且北京具有更高的交互强度;石家庄具有较丰富的城市基础设施资源,却在交通层面表现不足,在网络结构中的核心地位与层次性不明显.京津冀南部地区在城市体系中处于薄弱状态,加强石家庄对于南部地区的影响力,可以有效地为京津冀一体化提供助力.

面向数据匮乏城市的下一个POI推荐方法

位置社交网络(LBSN)用户位置数据的分布不均衡,及某些用户出于对隐私安全的考量刻意隐藏自己部分位置信息等因素加剧了兴趣点(POI)推荐难度。就此本文提出了基于元学习的时空神经常微分方程(ML-ODE)来进行有效的下一个POI推荐。该模型主要是将元学习的思想融入到POI推荐过程中,通过不同任务训练优化初始参数,将数据丰富城市中的泛化移动模式迁移到数据匮乏城市,达到优化POI预测任务的目的。该模型将神经常微分方程用于POI推荐领域,定义连续的动态过程,可以接受任意时刻的输入数据,克服了大多数时序推荐模型静态离散化的时间间隔处理方式,更适用于POI序列推荐任务。在真实公开数据集Foursqure上的实验结果表明,ML-ODE在POI推荐方面比当前主流的POI预测方法在NDCG@N指标上提升了超过10%。

基于POI数据的老年医疗服务设施空间分布特征与可达性研究--以南京市为例

受传统观念的影响,“社区居家”方式是我国主要的养老模式,而老年医疗服务设施的空间布局和可达性程度,对选择居家养老的人群的晚年生活的生命健康保障有着重要意义。基于南京市2017年的街道人口,以医院、卫生服务中心、诊所和医疗康复中心作为老年医疗服务设施,从百度地图获取相关设施的POI数据,借助ArcGIS技术平台通过核密度估计和两步移动搜索法,研究了该类设施在街镇上的空间分布特征及其对老年人出行的可达性程度。结果表明:根据老年医疗服务设施整体的空间分布图和可达性程度图,南京市老城区的医疗设施分布密集,老年人出行就医较为便捷;南北两端的六合区、溧水区和高淳区设施分布贫乏,未来仍需注重对该类设施的规划。

融合社交网络与流行度特征的POI推荐模型

随着基于位置的社交网络(老师location-based social network,LSBN)的广泛应用,POI(point-of-interest)推荐对用户越来越重要,但签到数据稀疏和用户兴趣动态性等问题均给POI推荐带来困难。为此,提出了一种基于动态异质网络的协同过滤推荐方法。该方法综合用户位置关系,用户社交关系的好友信息与区域活跃用户信息的同时,还参考兴趣点的分类流行度因素,形成了一种个性化的联合推荐方法。该方法有效缓解了数据稀疏性问题,提高了推荐效果。通过在Foursqure(NYC)数据集和Gowalla数据集上实验表明,算法在精确率与召回率上较其他当前流行算法均有明显提升。

融合多源数据的粤港澳大湾区生态系统健康影响机制研究

从人地耦合视角出发,基于“活力—组织力—恢复力—贡献力”(VORS)模型,综合评价2000—2020年粤港澳大湾区生态系统健康状况。融合人口密度、POI等多源数据,利用最优参数的地理探测器揭示大湾区生态系统健康影响因素的作用机制。结果表明:(1)2000—2020年大湾区平均生态系统健康指数由0.279下降到0.255,湾区中部生态系统健康恶化加剧。(2)生态系统健康的空间集聚特征明显,热点区集中分布在北部肇庆、惠州市;冷点区集中分布在佛山、广州市,且城市交界处的生态系统健康指数变化最为剧烈。(3)人口密度成为影响大湾区生态系统健康的主导因子,其与各类城市设施用地交互作用下对生态系统健康的扰动最为剧烈。公共设施用地、工业设施用地、商业设施用地以及居住用地成为影响大湾区生态系统健康的关键因子,因其对原始自然环境和生态组分的破坏,加剧了生态系统健康的恶化。

基于极限学习机的兴趣点推荐模型

随着移动社交平台的发展,基于位置的社交网络服务(Location-Based Social Network,LBSN)已进入人们的视野。在LBSN中,根据用户的签到数据进行兴趣点(Point-of-Interest,POI)推荐是近年来研究的热点问题。提出一种基于极限学习机(Extreme Learning Machine,ELM)的POI推荐算法,提取用户的个人偏好、朋友偏好、类型偏好、流行度偏好等特征,利用ELM提供的分类方法,使用上述特征向量集合训练ELM分类器,最终根据分类结果向用户推荐POI。本文使用Foursquare和Twitter数据集的实验结果表明,该方法在精确率和效率方面均有所提高。

位置社交网络中谱嵌入增强的兴趣点推荐算法

为了有效地捕捉LBSN中丰富的签到、社交等多维上下文信息的空间特性,并深层挖掘用户和POI之间的非线性交互,提出了一种谱嵌入增强的POI推荐算法——PSC-SMLP,设计了偏好增强的谱聚类算法PSC和谱嵌入增强的神经网络SMLP。在2个经典数据集上与现有的POI推荐算法相比,PSC-SMLP可以深层学习用户对POI的个性化偏好,在准确率、召回率、nDCG、平均精度等指标中均获得较大提升。

LBSN中基于元路径的兴趣点推荐

兴趣点(Point-Of-Interest,POI)推荐是基于位置的社交网络(Location-Based Social Networks,LBSN)中的一项重要个性化服务.由于LBSN中数据的极度稀疏性,基于协同过滤的算法推荐精度不高,文中提出基于元路径的兴趣点推荐算法.首先根据LBSN结构特征构建带权异构网络模型,其次引入元路径来描述节点间不同类型关联关系,基于三度影响力设置用户-兴趣点间元路径特征集,然后通过随机游走方法计算元路径特征值以度量实例路径中的首尾节点间关联度,并利用监督学习方法获得各特征的权值,最后计算特定用户将来在各兴趣点的签到概率从而生成推荐列表.文中在3个真实LBSN签到数据集上进行了实验,结果表明该算法可以有效缓解LBSN中的极度稀疏性问题,比传统推荐算法有更好的推荐效果.

基于上下文感知和个性化度量嵌入的下一个兴趣点推荐

随着基于位置的社交网络推荐系统的逐步发展,兴趣点推荐成为了研究热门。兴趣点推荐的研究旨在为用户推荐兴趣点,并且为商家提供广告投放和潜在客户发掘等服务。由于用户签到行为的数据具有高稀疏性,为兴趣点推荐带来很大的挑战。许多研究工作结合地理影响、时间效应、社会相关性等方面的因素来提高兴趣点推荐的性能。然而,在大多数兴趣点推荐的工作中,用户访问的周期性习惯和伴随用户偏好的上下文情境信息没有被深度地挖掘。而且,下一个兴趣点推荐中一直存在着数据的高稀疏度。基于以上考虑,针对用户签到的数据稀疏性问题,将用户周期性行为模式归结为上下文情境信息,提出了一种基于上下文感知的个性化度量嵌入推荐算法,同时将用户签到的上下文情境信息考虑进来,从而丰富有效数据,缓解数据稀疏性问题,提高推荐的准确率,并且进一步优化算法,降低时间复杂度。在两个真实数据集上的实验分析表明,本文提出的算法具有更好的推荐效果。

基于位置社会网络的双重细粒度兴趣点推荐

兴趣点推荐是在基于位置社会网络(location-based social network,LBSN)中流行起来的一种全新形式的推荐.利用LBSN所包含的丰富信息进行个性化推荐能有效增强用户体验和提高用户对LBSN的依赖度.针对无显示用户偏好、兴趣非一致性和数据稀疏性等挑战性问题,研究一种针对LBSN的双重细粒度POI推荐策略,即一方面将用户的全部历史签到信息以小时为单位细分为24个时间段,另一方面将每个POI细分为多个潜在主题及其分布,同时利用用户的历史签到信息和评论信息挖掘出用户在不同时间段的主题偏好,以实现POI的Top-N推荐.为实现该推荐思路,首先,根据用户的评论信息,运用LDA模型提取出每个POI的主题分布;然后,对于每个用户,将其签到信息划分到24个时间段中,通过连接相应的POI主题分布映射出用户在不同时间段对每个主题的兴趣偏好.为解决数据稀疏问题,运用高阶奇异值分解算法对用户-主题-时间三阶张量进行分解,获取用户在每个时间段对每个主题更为准确的兴趣评分.在真实数据集上进行了性能测试,结果表明所提出的推荐策略具有较好的推荐效果.

基于签到活跃度和时空概率模型的自适应兴趣点推荐方法

针对现有兴趣点(POI)推荐算法对不同签到特征的用户缺乏自适应性问题,该文提出一种基于用户签到活跃度(UCA)特征和时空(TS)概率模型的自适应兴趣点推荐方法UCA-TS。利用概率统计分析方法提取用户签到的活跃度特征,给出一种用户不活跃和活跃的隶属度计算方法。在此基础上,分别采用结合时间因素的1维幂律函数和2维高斯核密度估计来计算不活跃和活跃特征的概率值,同时融入兴趣点流行度来进行推荐。该方法能自适应用户的签到特征,并能更准确体现用户签到的时间和空间偏好。实验结果表明,该方法能够有效提高推荐精度和召回率。

基于固定基点的安全查询策略

针对兴趣点查询服务带来的位置隐私泄露问题,提出一种基于固定基点的位置隐私保护方案FixBP。引入地点l-差异性原则,防范位置同质攻击和地图匹配攻击;固定查询使用的基点,降低构造匿名区域产生的开销,便于位置服务提供商做查询优化。对比实验结果表明,FixBP比DLS方案构造匿名区域的开销更小,FixBP、SpaceTwist、DLS、SybilQuery方案中FixBP为服务提供商带来的查询开销最小;POI数据库分析实验结果表明,FixBP方案比DLS、SybilQuery方案产生的通信开销更小。