一种基于地理信息的手机用户定位方法北大核心CSCD

基于手机信令数据的用户轨迹行为分析已广泛应用于交通监测、城市管理、人口分析等多个业务领域。针对手机基站定位与用户实际位置存在偏差且驻留轨迹缺失语义信息的问题,本文提出了一种基于地理信息的手机信令数据用户定位方法。该方法首先构建面向轨迹分析的地理实体数据采集规范;然后对手机信令数据进行聚类,建立地理实体与基站的权重映射关系;最后使用时空推理及对轨迹的深度学习技术,将用户有效驻留轨迹点拟合至实际的地理实体,实现用户定位。验证结果表明,该方法提升了用户定位的准确度,为后续业务场景的应用提供了可靠的数据支撑。     

点集数据不规则形状时空异常聚类模式挖掘研究

传统扫描统计方法在进行时空异常聚类模式挖掘时,受扫描窗口形状的限制,不能准确地获取聚类区域形状。提出一种改进的不规则形状时空异常聚类模式挖掘方法stAntScan。新方法基于26方位时空邻近单元格构建时空邻接矩阵,再对蚁群最优化扫描统计方法进行改进,使其能适应三维大数据量的时空区域扫描。模拟数据和真实微博签到数据的实验证明,stAntScan能有效地识别时空范围内的不规则形状异常聚类,并且准确性较经典的SaTScan方法高。     

面向多维时空位置数据的动态加权聚类模型

针对传统聚类算法在处理时空位置数据挖掘时面临的多维聚类问题,提出了动态加权聚类模型。该模型叠加利用经典k-均值和基于密度的DBSCAN聚类算法,通过计算最大轮廓系数确定合适的簇数目,按照划分初始簇类、识别和剔除噪声点、修正聚类簇中心点位置坐标3个步骤实现对大体量多维时空位置数据的聚类分析,提出了动态权重系数计算公式,优化了基于密度的DBSCAN聚类算法中相似度函数,并在Python3.7环境下以网络签到数据集实例仿真验算了该模型算法。实验结果表明,相较单一的传统聚类算法,该模型能综合利用多维非位置属性对时空位置数据点聚类,更合理界定聚类簇的归属数据点,对提升时空位置数据集聚类簇中数据点的聚类效果明显。     

融合图论与密度思想的混合空间聚类方法

提出了一种融合图论与密度思想的空间聚类方法——HGDSC。该方法首先借助附加约束的Delau-nay三角网来建立空间实体之间的邻接关系,然后对基于密度的聚类方法进行改进,顾及空间邻近与非空间属性相似性进行聚类。特别地,该方法只需要一个输入参数。模拟数据和实际数据验证表明,HGDSC方法能够发现任意形状和密度变化的空间簇,并且可以很好地识别噪声点。     

利用手机定位数据的用户特征挖掘

手机定位数据已经逐渐成为一类新兴的空间数据,可用于分析个体或大规模区域内群体的活动特征,服务于基于位置的服务和城市及交通规划等。提出了一种基于手机定位数据,结合区域内兴趣点(POI)、房产价格等,利用空间聚类及语义分析等手段,对用户特征进行分析和挖掘的方法。首先采用DBSCAN方法提取用户重点活动区域;其次,根据用户的活动规律假设对活动区域进行类别标注;最后引入自然语言处理方法对POI和楼盘描述信息进行词频分析。并结合区域内POI类别和房价信息推断用户可能的偏好特征及收入或消费能力等特征,对用户一个月的手机定位数据进行挖掘分析。结果表明,该方法对用户重点活动区域及个体喜好特征等能够进行较为有效的挖掘。     

一种K-均值聚类的改进算法及其应用

由于传统的K-均值聚类算法固有的特性,如对初始聚类中心的依赖性和对噪声点的敏感性,导致了其聚类结果的不稳定。文中基于k-dist图提出一种改进算法,算法首先去除数据集中的噪声点,然后从数据集中选取靠近点聚集区域、相距最远的k′个数据点作为初始簇中心。实验结果证明,文中算法能够很好地消除K-均值聚类算法对初始簇中心的依赖性,并能有效去除噪声点。     

精细地图融合手机信令的城市人口时空分布特征研究

针对城市人口时空分布研究中缺乏以精细地图数据为支撑的地理分析方法、不能真实反映人类活动目的等问题,提出了一种精细地图融合手机信令的方法。该方法以地图为智能底板,基于信令轨迹中的基站位置与精细地块的类型,通过空间计算和时间推理得到手机用户在每个时段的驻留地块以及驻留时长,建立基于精细地块的人口空间化模型;识别每个地块中的职住人口和短期到访人口,再汇总得到任意目标区域的实际服务人口总量及人群结构,分时段研究人口流动和聚集变化特征。经过验证,该方法提升了人口时空分布研究结果的真实性和实用性,弥补了手机基站定位与用户实际位置存在偏差且无法准确识别居民行为规律的不足,为城市人口精细化管理、重点区域人流监测与安全保障、优化公共资源配置等提供可靠的决策支撑。     

一种基于重排检验的时空聚类方法

融合时空邻近与专题属性相似的时空聚类是挖掘地理现象时空演化规律的重要手段。现有方法需要的聚类参数许多难以获取,影响了聚类方法的可操作性与聚类结果的可靠性。提出一种基于重排检验的时空聚类方法。首先,通过重排检验发现时空数据集中的均质子区域;进而,采用均方误差准则合并均质子区域内的时空实体生成时空簇,并通过簇内重排检验自动识别聚类合并的终止条件;最后,借助时空拓扑关系在保证结果精度的前提下发展一种快速重排检验的方法,提高了聚类方法的运行效率。通过实验和比较发现,该方法一方面可以发现不同形状、大小的时空簇,聚类质量优于经典的ST-DBSCAN方法;另一方面聚类过程中人为设置参数的主观性显著降低,提高了聚类方法的可操作性。     

激光点云在无人驾驶路径检测中的应用

针对室外自然环境下无人自主地面智能车辆的可通行区域检测问题,提出了一种基于激光点云的道路可通行区域检测算法,包括倾斜检测道路边界和水平探测前方障碍物。道路边界检测主要依据道路区域与非路区域之间存在的高度差异来筛选道路边界特征点,结合通行宽度阈值提取道路边界线;前方障碍物检测则依据扫描点间距离聚类成不同的点云簇,对点云簇进行识别和定位,从而确定障碍物位置和大小。结合道路边界和障碍物信息提取车辆的可通行区域,为无人车路径规划提供依据。试验表明,该算法能够较好地检测出无人车的可通行区域。     

面向地理流的双变量时空扫描统计方法

针对现有的地理流双变量异常聚类方法忽视了时间维度的问题,提出面向地理流的双变量时空扫描统计方法。先构建面向地理流的多尺度时空扫描窗口;通过伯努利模型下的扫描统计量检测窗口中是否存在异常流簇,采用蒙特卡洛模拟方法检验扫描统计量的统计显著性;筛选一系列时空分布无重叠的异常流簇。应用该方法识别厦门市网约车流和巡游车流的时空异常流簇,以发现两类出租车竞争模式的时空格局。结果表明：巡游车流占优簇常发生在凌晨,分布在娱乐、餐饮、住宿等场所;网约车流占优簇常发生在上午或傍晚,分布在办公地点与居住地之间。该方法挖掘的结果能够发现异常流簇准确的时空分布特征,可为城市交通规划提供支持。