基于改進(jìn)Markov算法的人類活動信息挖掘

王艷東，高露妹，王 騰，姜 偉

（1.測繪遙感信息工程國家重點(diǎn)實(shí)驗(yàn)室，湖北 武漢 430079；2.地球空間信息技術(shù)協(xié)同創(chuàng)新中心，湖北 武漢 430079）

基于改進(jìn)Markov算法的人類活動信息挖掘

王艷東1,2，高露妹1，王 騰1，姜 偉1

（1.測繪遙感信息工程國家重點(diǎn)實(shí)驗(yàn)室，湖北 武漢 430079；2.地球空間信息技術(shù)協(xié)同創(chuàng)新中心，湖北 武漢 430079）

近年來，基于位置的社交媒體飛速發(fā)展,為人類移動規(guī)律的挖掘與研究帶來新的數(shù)據(jù)源?；跀U(kuò)展Markov模型，加入時(shí)間維度，提出一種利用社交媒體時(shí)空數(shù)據(jù)挖掘人類活動規(guī)律的方法，探索用戶的活動位置和活動位置的變化規(guī)律。應(yīng)用該方法對北京市新浪微博用戶的個(gè)體和群體活動規(guī)律進(jìn)行探索，可有效挖掘人類在以小時(shí)為單位細(xì)粒度時(shí)段的移動規(guī)律并由此反映區(qū)位人口的動態(tài)變化。

社交媒體；數(shù)據(jù)挖掘；人類活動模式；Markov模型

人類的移動規(guī)律是進(jìn)行城市管理活動（如交通管理、災(zāi)害預(yù)防和應(yīng)急響應(yīng)以及城市規(guī)劃等）的重要參考[1]。近年來，大量學(xué)者結(jié)合手機(jī)數(shù)據(jù)[2-3]、人口普查數(shù)據(jù)[4-5]、航班數(shù)據(jù)[6-7]、出租車數(shù)據(jù)[8-9]、交通卡數(shù)據(jù)[10-12]等不同類型數(shù)據(jù)，從各個(gè)領(lǐng)域探索了人類移動規(guī)律的挖掘方法[13-14]。

隨著智能手機(jī)的普及，基于位置的社交媒體應(yīng)用得到空前發(fā)展。這些社交媒體可以在用戶進(jìn)行在線社交活動時(shí)對用戶活動信息如位置信息、時(shí)間信息等進(jìn)行記錄，從而產(chǎn)生了面向用戶個(gè)體的社交媒體數(shù)據(jù)。這些社交媒體數(shù)據(jù)獲取相對方便、對用戶位置記錄實(shí)時(shí)準(zhǔn)確[15]，并且經(jīng)常涵蓋大量用戶并保持相對較長的一段時(shí)間，這對基于龐大的數(shù)據(jù)量和較長時(shí)間跨度的研究是非常有意義的[16-20]。

為了量化人類在位置間的移動可能性，大量研究使用了計(jì)算模型，其中Markov模型作為一種預(yù)測方法被廣泛應(yīng)用[21-28]。基于社交媒體數(shù)據(jù)，一些學(xué)者探索了使用該模型進(jìn)行人類移動規(guī)律挖掘的方法[29-31]。本文基于擴(kuò)展Markov模型，加入時(shí)間維度，提出一種利用社交媒體時(shí)空數(shù)據(jù)挖掘人類活動模式的方法?；诋?dāng)前位置和當(dāng)前位置的時(shí)間，使用擴(kuò)展后的Markov模型預(yù)測用戶到達(dá)的下一個(gè)位置及概率。應(yīng)用該方法對北京市新浪微博用戶的個(gè)體和群體活動規(guī)律進(jìn)行探索，并分析了群體移動規(guī)律對城市區(qū)位人口流動的反映。實(shí)驗(yàn)表明，該方法可有效挖掘人類在以小時(shí)為單位細(xì)粒度時(shí)段的移動規(guī)律并由此反映區(qū)位人口的動態(tài)變化。

1 數(shù) 據(jù)

社交媒體平臺和移動定位技術(shù)的發(fā)展使得人們的生活從現(xiàn)實(shí)擴(kuò)展到網(wǎng)絡(luò)，人們熱衷于在社交媒體平臺中展示自己每天的活動并標(biāo)注位置。新浪微博作為在中國流行較早、社會參與度較高的社交媒體平臺，涵蓋了用戶較長時(shí)間跨度的數(shù)據(jù)，為研究人類的活動規(guī)律提供了重要的數(shù)據(jù)源。本文使用網(wǎng)頁爬蟲采集了北京市范圍內(nèi)所有的新浪微博用戶在2014年1～8月發(fā)布的所有的帶有位置信息的微博數(shù)據(jù)，一共1 800多萬條。每條微博數(shù)據(jù)包含微博發(fā)布位置的經(jīng)緯度坐標(biāo)、發(fā)布時(shí)間等信息。本文使用了2014年1～6月的數(shù)據(jù)對人類活動規(guī)律進(jìn)行探測，并使用了2014年7～8月的數(shù)據(jù)對方法的有效性進(jìn)行驗(yàn)證。

2 方 法

本文提出了一個(gè)利用社交媒體時(shí)空數(shù)據(jù)挖掘人類活動模式的框架，如圖1所示，總共包含以下幾個(gè)部分：①數(shù)據(jù)預(yù)處理；②活動提??；③活動位置的探測；④ 活動位置轉(zhuǎn)換的探測。

圖1 基于社交媒體數(shù)據(jù)的人類移動規(guī)律挖掘

2.1 數(shù)據(jù)預(yù)處理

新浪微博是一種社交媒體數(shù)據(jù)，和其他社交媒體數(shù)據(jù)一樣，也存在一定的缺陷，因此，需要進(jìn)行數(shù)據(jù)預(yù)處理，以保證數(shù)據(jù)質(zhì)量。本文的數(shù)據(jù)預(yù)處理主要是去除噪音數(shù)據(jù)。噪音數(shù)據(jù)主要包含兩個(gè)方面：一是重復(fù)的數(shù)據(jù)；二是廣告等噪音。

重復(fù)數(shù)據(jù)主要指由于網(wǎng)絡(luò)原因或者用戶自身操作造成的對同一條微博連續(xù)發(fā)布多次的情況。重復(fù)微博的主要特征為發(fā)布時(shí)間相隔較短以及內(nèi)容和發(fā)布位置相同等。重復(fù)數(shù)據(jù)的存在使得對同一個(gè)活動記錄多次，需要根據(jù)其發(fā)布的時(shí)間、位置以及文本內(nèi)容將其去除。

廣告噪音主要是指非正常微博用戶（如各種app、淘寶賣家等）在新浪微博平臺上發(fā)布的各種廣告信息。這些廣告信息的特征是覆蓋微博量較大，發(fā)布位置單一等。廣告噪音的存在影響研究結(jié)果的準(zhǔn)確性，需要根據(jù)其文本、位置信息將其去除。

2.2 活動提取

新浪微博是一種虛擬世界的社交活動，同時(shí)也反映了現(xiàn)實(shí)世界中的人類活動。因此，每一條新浪微博數(shù)據(jù)都是現(xiàn)實(shí)世界中一次人類活動的反映。本文以用戶為單位，提取每個(gè)用戶的活動數(shù)據(jù)。

1）活動的空間屬性。考慮到人類的活動有一定的活動半徑，本文使用400 m×400 m格網(wǎng)將研究區(qū)域進(jìn)行格網(wǎng)劃分，并將一個(gè)格網(wǎng)所對應(yīng)的范圍作為一個(gè)活動位置。對于同一個(gè)格網(wǎng)內(nèi)的所有新浪微博，都認(rèn)為處于同一個(gè)活動位置。

2）活動的時(shí)間屬性。人類的每個(gè)活動都占用了人的一段時(shí)間，在研究人類的移動時(shí)使用1 h作為時(shí)間窗口是常見的[16]。本文使用1 h作為時(shí)間窗口將人類的活動劃分到不同的時(shí)間段，每個(gè)時(shí)間段代表了一個(gè)活動時(shí)間。對于在同一時(shí)間段內(nèi)發(fā)布的所有新浪微博，都認(rèn)為處于相同的活動時(shí)間。

2.3 人類活動位置的探測

人類活動位置概率可以表示為在某個(gè)時(shí)間段，一個(gè)人出現(xiàn)在不同位置的概率。根據(jù)一個(gè)人在某個(gè)時(shí)間段內(nèi)在不同位置活動的概率，可以估計(jì)這個(gè)人在這個(gè)時(shí)間段內(nèi)可能出現(xiàn)的活動位置。本文設(shè)計(jì)的人類活動位置概率計(jì)算公式如下：

式中，P(j)ti表示在1 d中的第i個(gè)時(shí)間段內(nèi)j位置出現(xiàn)的概率；F(j)ti表示在1 d中的第i個(gè)時(shí)間段內(nèi)j位置出現(xiàn)的次數(shù)，N = a，…，n ，表示所有可能出現(xiàn)的位置。

人類在不同的時(shí)間段內(nèi)經(jīng)常出現(xiàn)的位置可能不同。例如，一個(gè)人在中午12時(shí)左右很可能會去一家餐館吃飯，而在20時(shí)左右很有可能在家休息。因此，獲取人類在某個(gè)時(shí)間段經(jīng)常出現(xiàn)的位置是獲得其活動規(guī)律的一個(gè)重要方面。一個(gè)人在不同時(shí)段最有可能出現(xiàn)的位置可以表示為：

2.4 人類活動位置轉(zhuǎn)換的探測

人類活動位置轉(zhuǎn)換概率即兩個(gè)活動位置之間發(fā)生轉(zhuǎn)換的概率。每個(gè)人的活動都有一定的規(guī)律性，往往在進(jìn)行完一個(gè)特定的活動后會進(jìn)行另外一個(gè)特定的活動，通過計(jì)算人類活動位置轉(zhuǎn)換概率，可以根據(jù)當(dāng)前的位置和時(shí)間對人類的下一個(gè)活動進(jìn)行預(yù)測。

Markov模型是一種常用的預(yù)測模型，本文擴(kuò)展了馬爾科夫模型，并加入時(shí)間維度。擴(kuò)展后的模型如式（3）所示：

即在ti時(shí)間段內(nèi)，在第n+1個(gè)位置出現(xiàn)的概率只與其上一個(gè)位置（第n個(gè)位置）相關(guān)，而與之前的位置無關(guān)。結(jié)合本文的應(yīng)用場景和數(shù)據(jù)，具體計(jì)算如式（4）所示：

式中，T(Xn+1=k|Xn=j)ti表示在ti時(shí)間段內(nèi)，j位置出現(xiàn)的前提下，從j位置到k位置的轉(zhuǎn)換次數(shù)，N位置表示j位置的所有可能的下一個(gè)活動位置。

人類的活動位置和活動位置的變化和時(shí)間緊密相關(guān)，即使對于同一個(gè)活動位置，在不同的時(shí)間段內(nèi)，基于該活動位置的變化也會有所不同。如晚飯過后人們可能進(jìn)行和娛樂相關(guān)的活動，但是午飯過后人們會去工作地點(diǎn)工作。對于“吃飯”這個(gè)活動而言，在不同的時(shí)間，基于此活動位置發(fā)生的變化也不相同。在考慮當(dāng)前活動位置和時(shí)間的情況下，基于活動位置j的下一個(gè)最有可能的活動位置可以表示為：

人類在不同時(shí)段的活動位置和活動位置的轉(zhuǎn)換規(guī)律表明了人類在1 d中可能出現(xiàn)的位置和在位置之間的移動情況。通過探測個(gè)體活動位置和活動位置的轉(zhuǎn)換規(guī)律，可以探測個(gè)體在1 d中某時(shí)間段可能出現(xiàn)的位置和可能發(fā)生的移動，進(jìn)而預(yù)測其在未來同一時(shí)間段的活動情況。同時(shí)，對多個(gè)個(gè)體的活動規(guī)律進(jìn)行研究，有助于了解群體的活動情況，即群體在某時(shí)間段在某位置集聚或在幾個(gè)位置間流動的情況。本文將使用本方法對個(gè)體活動和群體活動進(jìn)行探測并對結(jié)果進(jìn)行分析。

3 實(shí)驗(yàn)與分析

3.1 個(gè)體活動探測

本文以一個(gè)用戶為例來展示個(gè)體活動規(guī)律的挖掘，圖2為該用戶在不同時(shí)間段內(nèi)的活動規(guī)律展示圖。圖2a為該用戶在研究期間的所有微博點(diǎn)分布情況，由微博點(diǎn)分布可知，該用戶主要在3個(gè)位置附近活動，使用A、B、C進(jìn)行標(biāo)識。相鄰微博點(diǎn)使用紅色連線連接，表示一次活動轉(zhuǎn)換。圖2b～h為1 d中不同時(shí)間段該用戶活動規(guī)律的展示。其中圓圈為在該時(shí)間段可能出現(xiàn)的一些活動位置，箭頭表示基于這些活動位置的活動轉(zhuǎn)換，箭頭方向表示活動轉(zhuǎn)換方向，圓圈和箭頭顏色表明位置和轉(zhuǎn)換出現(xiàn)的概率值。

從圖2中可以發(fā)現(xiàn)，用戶在休息時(shí)間如6 h、18 h、21 h、24 h活動在A位置的概率都很高，A位置可能為該用戶的家的位置。在工作時(shí)間如9 h、12 h、15 h在B、C位置活動，說明B、C可能為該用戶工作單位或者常去的地點(diǎn)。在不同的時(shí)間段，用戶可能有不同的活動轉(zhuǎn)換。例如，在上午6 h和9 h該用戶發(fā)生的主要活動變化為A→B，在中午12 h和下午15 h主要的活動變化為B→A，C→A。用戶在不同時(shí)間段活動規(guī)律差異明顯，說明在研究人類的活動規(guī)律時(shí)時(shí)間維度是至關(guān)重要的，不能僅僅依靠人類在空間位置間的移動頻率來判斷人類在所有時(shí)間段內(nèi)的移動規(guī)律。

3.2 群體活動探測

同時(shí)研究多個(gè)個(gè)體的移動規(guī)律可以反映整個(gè)群體的移動規(guī)律，當(dāng)人們于1 d的同一時(shí)間段在同一位置進(jìn)行活動，他們的活動和活動轉(zhuǎn)換可以反映該時(shí)間段內(nèi)人群聚集和移動情況。本文以北京市海淀區(qū)中關(guān)村附近的區(qū)域?yàn)槔?，展示本文方法對群體聚集和移動規(guī)律的挖掘。圖3展示了這個(gè)區(qū)域人群的活動規(guī)律，使用字母對主要研究區(qū)位進(jìn)行標(biāo)注（如A、B、C…），其中圖3a為本研究的目標(biāo)位置的空間分布，圖3b～h為不同時(shí)間段內(nèi)這些位置之間的人群移動情況，圖中標(biāo)志和圖例的說明如圖2所示。

圖2 不同時(shí)間的個(gè)體活動規(guī)律

圖3 多個(gè)位置間群體活動規(guī)律

由圖3可知，在不同的時(shí)間點(diǎn)人們聚集于不同的位置，人群的移動路線和移動方向也有所不同。例如，在12 h（圖3d）人們在B位置、F位置、E位置出現(xiàn)聚集，主要的人群流動路線有F→B，B→E。而在21 h（圖3g）主要的人群聚集區(qū)為A位置、E位置、F位置，主要的人群流動路線為B→F。人們在1 d內(nèi)不同時(shí)間段在城市間不同位置的集中程度、人群移動路線和方向均有所不同。這符合城市人口流動情況，對動態(tài)監(jiān)測城市多個(gè)區(qū)位人口集中情況和流動情況是很有意義的。

3.3 驗(yàn) 證

在實(shí)驗(yàn)部分，本文使用了2014年1～6月的數(shù)據(jù)進(jìn)行探測，此處使用2014年7～8月的數(shù)據(jù)對探測效果進(jìn)行驗(yàn)證，并且使用不考慮時(shí)間的Markov模型的實(shí)驗(yàn)結(jié)果與本文提出的方法進(jìn)行對比。

本文以一位用戶在12～13時(shí)段的活動規(guī)律為例展示探測與驗(yàn)證的結(jié)果，如圖4、5所示。其中，傳統(tǒng)方法為不考慮時(shí)間的馬爾科夫模型方法得出的探測結(jié)果，實(shí)際值為用戶在驗(yàn)證期間的實(shí)際概率?；貧w分析是確定兩種或兩種以上變量間相互依賴的定量關(guān)系的一種統(tǒng)計(jì)分析方法，R2是其顯著性水平的檢驗(yàn)指標(biāo)。在比較兩種探測結(jié)果和實(shí)際值之間的關(guān)系時(shí)我們使用了該方法，并使用R2來檢驗(yàn)其相互關(guān)系的顯著性水平。比較兩種方法所得結(jié)果和實(shí)際值之間的R2，相對于不考慮時(shí)間的馬爾科夫模型方法，本文提出的方法將該用戶出現(xiàn)概率的R2從0.71提高到0.94，將該用戶移動概率的R2從0.003提高到0.70。R2指標(biāo)是對兩種概率值和實(shí)際值之間擬合效果評價(jià)的指標(biāo)，R2的提高說明本方法所得概率值更貼近實(shí)際。由此可見，本方法在挖掘人類的動態(tài)移動規(guī)律方面有比較好的效果。

圖4 用戶位置轉(zhuǎn)換概率

圖5 用戶活動位置概率

4 結(jié) 語

了解人類的移動規(guī)律對于城市管理具有重要意義。人類的移動規(guī)律和時(shí)間緊密相關(guān)，因此提出了考慮時(shí)間的Markov模型，并且設(shè)計(jì)了基于社交媒體數(shù)據(jù)的人類移動規(guī)律挖掘框架。以新浪微博為例，應(yīng)用該框架對北京市新浪微博用戶個(gè)體移動規(guī)律和群體移動規(guī)律進(jìn)行探討，并分析了群體移動規(guī)律對于城市人口流動的反映。這對道路運(yùn)輸安全與管理、災(zāi)害預(yù)防和應(yīng)急響應(yīng)以及城市規(guī)劃等城市管理活動具有重要的參考價(jià)值。但是本框架在考慮時(shí)間因素時(shí)選取窗口尺寸方面仍需要斟酌，雖然1 h的時(shí)間窗口尺寸在研究人類移動時(shí)是常用的，但是對于新浪微博這種特殊的數(shù)據(jù)類型來說可能有更合適的時(shí)間窗口尺寸。基于此，在未來的工作中，將根據(jù)用戶個(gè)體發(fā)布微博頻率為切入點(diǎn)研究面向用戶個(gè)體的更準(zhǔn)確的時(shí)間窗口尺寸。由于人類移動規(guī)律的復(fù)雜性，人們在一些位置移動的規(guī)律很難準(zhǔn)確地反映出來。在將來的工作中，將探索不同格網(wǎng)大小對于人類移動規(guī)律的挖掘效果并使用其他類型的數(shù)據(jù)源測試框架的使用效果。

[1] LIU L, HOU A, BIDERMAN A, et al. Understanding Individual and Collective Mobility Patterns from Smart Card Records: A Case Study in Shenzhen[C].2009 12th International IEEE Conference on Intelligent Transportation Systems. IEEE, 2009

[2] HUANG Z, KUMAR U, BODNAR T, et al. Understanding Population Displacements on Location-Based Call Records Using road Data[C]. ACM Sigspatial International Workshop on Mobile Geographic Information Systems. 2013

[3] WILLIAMS N E, THOMAS T A, DUNBAR M, et al. Measures of Human Mobility Using Mobile Phone Records Enhanced with GISdata[J/OL]. http://dx.doi.org/10.1371/ journal.pone.0133630

[4] DALZIEL B D, POURBOHLOUL B, ELLNER S P. Human Mobility Patterns Predict Divergent Epidemic Dynamics Among Cities[J/OL]. http://dx.doi.org/10.1098/rspb.2013.0763

[5] PINDOLIA D K, GARCIA A J, HUANG Z, et al. The Demographics of Human and Malaria Movement and Migration Patterns in East Africa[J]. Malaria Journal, 2013, 12(1):1-12

[6] ORDANOVICH D, TATEM A. Risk Assessment of Malaria Importation to Europe and Other Non-Endemic Regions Via air-travel[J]. Malaria Journal, 2014, 13(1):1

[7] HUANG Z, TATEM A J. Global Malaria Connectivity Through Air Travel[J]. Malaria Journal, 2013, 12(1):1-11

[8] KUMAR D, WU H, LU Y, et al. Understanding Urban Mobility Via Taxi Trip Clustering[C]. IEEE International Conference on Mobile Data Management. IEEE, 2016

[9] TANG J, LIU F, WANG Y, et al. Uncovering Urban Human Mobility from Large Scale Taxi GPS Data[J]. Physica A Statistical Mechanics & Its Applications, 2015(438):140-153

[10] TERROSO S F, VALDES V M, SKAMETA G A F. Tram-Based Mobility Mining with Event Processing of Transit-Card Transactions[C]. IEEE, International Conference on Intelligent Transportation Systems. IEEE, 2015

[11] SONG J Y, JIN K E, KIM S I. Evaluation of Elderly Mobility Based on Transit Card Data in Seoul[J]. Promet-Traffic & Transportation, 2014, 26(4):281-290

[12] LIU L, HOU A, BIDERMAN A, et al. Understanding Individual and Collective Mobility Patterns from Smart Card Records: A Case Study in Shenzhen[C]. International IEEE Conference on Intelligent Transportation Systems, 2009

[13] LEI P R, SHEN T J, PENG W C, et al. Exploring Spatial-Temporal Trajectory Model for Location Prediction[C]. IEEE International Conference on Mobile Data Management, MDM 2011, Lulea, Sweden, June 6-9. 2011

[14] GONZALEZ M C, HIDALGO C A, BARABASI A L. Understanding Individual Human Mobility Patterns[J]. Nature, 2008, 453(7 196):779-82

[15] BLANFORD J I, HUANG Z, SAVELYEV A, et al. Geo-Located Tweets. Enhancing Mobility Maps and Capturing Cross-Border Movement.[J/OL]. http://dx.doi.org/10.1371/ Journal.Pone.0129202

[16] HUANG Q, WONG D W S. Modeling and Visualizing Regular Human Mobility Patterns with Uncertainty: An Example Using Twitter Data[J]. Annals of the Association of American Geographers, 2015, 105(6):1-19

[17] CHO E, MYERS S A, LESKOVEC J. Friendship and Mobility: User Movement in Location-Based Social Networks[C]. ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, San Diego, Ca, Usa, August. 2011

[18] HAI N T, NGUYEN H H, THAI N N. A Mobility Prediction Model for Location-Based Social Networks[M]. Intelligent Information and Database Systems. Springer Berlin Heidelberg, 2016

[19] BAPIERRE H, JESDABODI C, GROH G. Mobile Homophily and Social Location Prediction[J/OL]. https://Arxiv.org/ Abs/1506.07763

[20] BACKSTROM L, SUN E, MARLOW C. Find me if you can: Improving Geographical Prediction with Social and Spatial Proximity[C]. International Conference on World Wide Web, WWW 2010, Raleigh, North Carolina, Usa, April, 2010

[21] MATHEW W, RAPOSO R, MARTINS B. Predicting Future Locations With hidden Markov models[C]. ACM Conference on Ubiquitous Computing, 2012

[22] GAMBS S&#, BASTIEN, KJLLIJIAN M O, et al. Next Place Prediction Using Mobility Markov Chains[C]. EUROSYS 2012 Workshop on Measurement, Privacy, and Mobility, 2012

[23] ASAHARA A, MARUYAMA K, SATO A, et al. Pedestrian-Movement Prediction Based on Mixed Markov-Chain model[C]. ACM Sigspatial International Symposium on Advances in Geographic Information Systems, Acm-Gis 2011, November 1-4, 2011, Chicago, Il, Usa, Proceedings,2011

[24] ALVAREZ-GARCIA J A, ORTEGA J A, GONZALEZABRIL L, et al. Trip Destination Prediction Based on Past GPS Log Using a Hidden Markov Model[J]. Expert Systems with Applications, 2010, 37(12):8 166-8 171

[25] GAO W, CAO G. Fine-Grained Mobility Characterization: Steady and Transient State Behaviors[C]. Eleventh ACM International Symposium on Mobile Ad Hoc Networking and Computing. ACM, 2010

[26] HUANG W, LI S, LIU X, et al. Predicting Human Mobility with Activity Changes[J]. International Journal of Geographical Information Science, 2015, 29(9):1 569-1 587

[27] 宋路杰, 孟凡榮, 袁冠. 基于Markov模型與軌跡相似度的移動對象位置預(yù)測算法[J].計(jì)算機(jī)應(yīng)用,2016, 36(1):39-43

[28] 呂明琪, 陳嶺, 陳根才. 基于自適應(yīng)多階Markov模型的位置預(yù)測[J].計(jì)算機(jī)研究與發(fā)展,2010, 47(10):1 764-1 770

[29] YE J, ZHU Z, CHENG H. What's your Next Move: User Activity Prediction in Location-Based Social Networks[C]. Proceedings of the SIAM International Conference on Data Mining. SIAM,2013

[30] PREOTIUC-PIETRO D, COHN T. Mining userBehaviours: A Study of Check-in Patterns in Location Based Social Networks[C].Proceedings of The 5th Annual ACM Web Science Conference. ACM, 2013

[31] CHENG C, YANG H, LYU M R, et al. Where you Like to Go Next: Successive Point-of-Interest Recommendation[C]. International Joint Conference on Artificial Intelligence. AAAI Press, 2013

P208

B

1672-4623（2017）02-0001-05

10.3969/j.issn.1672-4623.2017.02.001

2016-10-18。

項(xiàng)目來源：國家自然科學(xué)基金資助項(xiàng)目（41271399）；國家重點(diǎn)研發(fā)計(jì)劃資助項(xiàng)目（2016YFB0501400）；測繪地理信息公益性行業(yè)科研專項(xiàng)經(jīng)費(fèi)資助項(xiàng)目（201512015）。

王艷東，博士生導(dǎo)師，主要從事大數(shù)據(jù)時(shí)空分析計(jì)算、地理信息系統(tǒng)理論與工程應(yīng)用等研究。