面向社會計算的手機用戶行為大數據研究

第1篇 導 論

第1章 研究背景 2
第2章 社會計算概述 5
2.1 社會計算介紹 5
2.2 社會計算研究概述 6
2.2.1 人道主義救援 6
2.2.2 公共衛生管理 8
2.2.3 氣象災害應急 9
2.2.4 經濟發展監控 9
2.2.5 農業食品安全 10
2.2.6 交通城市規劃 11
2.2.7 能源 11
2.2.8 國家調研統計 11
第3章 智能決策 16

第2篇 用戶行為分析

第4章 基於電信運營商數據的路網匹配
算法 20
4.1 本章簡介 20
4.2 背景介紹 20
4.3 問題定義 22
4.3.1 路網匹配問題定義 22
4.3.2 現有的路網匹配方法的
局限性 23
4.4 方法設計 24
4.4.1 方法概覽 24
4.4.2 位置表徵模型 25
4.4.3 路網匹配模型 26
4.4.4 強化學習優化模型 27
4.5 系統實現 29
4.5.1 離線訓練過程 29
4.5.2 在線匹配過程 30
4.6 實驗結果 31
4.6.1 實驗設置 31
4.6.2 路網匹配準確率驗證 31
4.6.3 路網匹配的匹配時間驗證 32
4.6.4 註意力模型的有效性驗證 32
4.6.5 系統的魯棒性驗證 33
4.6.6 位置表徵模型的有效性驗證 35
4.6.7 強化學習優化模型的有效性
驗證 36
4.7 相關文獻討論 37
4.8 總結 38
第5章 利用移動跟蹤數據從旅遊團組
規模的角度理解遊客移動模式：
以中國西安為例 43
5.1 本章簡介 43
5.2 背景介紹 43
5.2.1 遊客行為 43
5.2.2 團組規模 44
5.3 案例介紹 45
5.3.1 研究區域和數據 45
5.3.2 細粒度旅遊團組劃分方法 47
5.4 案例分析結果 51
5.4.1 人口統計學模式 51
5.4.2 空間模式 52
5.4.3 時間模式 54
5.5 總結 55
5.5.1 結果洞察 55
5.5.2 實際意義 56
5.5.3 結論 58
第6章 大型活動期間的旅遊景區遊客
增幅研究：目的地屬性的影響 62
6.1 本章簡介 62
6.2 背景介紹 62
6.2.1 研究背景 62
6.2.2 相關研究 63
6.3 案例介紹 66
6.3.1 案例區域和數據 66
6.3.2 變量測量 66
6.3.3 數據分析 68
6.4 案例分析結果 69
6.4.1 描述性分析 69
6.4.2 相關性分析 69
6.4.3 探索性因子分析 70
6.4.4 回歸分析—目的地屬性對
遊客增幅的影響 71
6.5 總結 72
6.5.1 理論意義 72
6.5.2 實際意義 73
6.5.3 結論 74
第7章 基於標記時間點過程的手機應用
程序使用預測算法 78
7.1 本章簡介 78
7.2 背景介紹 79
7.3 方法設計 80
7.4 應用程序時間點過程算法 81
7.4.1 應用程序表徵模塊 82
7.4.2 應用程序使用預測器模塊 82
7.4.3 環境感知優化模塊 84
7.5 實驗結果 85
7.5.1 數據驅動實驗 86
7.5.2 現場實驗 88
7.5.3 系統開銷 89
7.6 相關文獻討論 91
7.7 總結 92
附錄A MTPP模型的參數學習 93
附錄B 模型實現 94
附錄C 模型訓練 94

第3篇 用戶行為預測

第8章 使用“大五”人格特質預測日常
移動行為：基於手機數據的實證
研究 96
8.1 本章簡介 96
8.2 研究背景 96
8.2.1 日常移動行為 96
8.2.2 人格特質與日常移動行為 97
8.2.3 研究概述 98
8.3 假設建立 98
8.3.1 神經質與日常移動行為 98
8.3.2 盡責性和日常移動行為 99
8.3.3 宜人性和日常移動行為 99
8.3.4 開放性與日常移動行為 99
8.3.5 外向性和日常移動行為 99
8.4 實驗設計 100
8.4.1 數據收集 100
8.4.2 變量測量 100
8.5 分析結果 101
8.6 總結 104
8.6.1 研究總結 104
8.6.2 貢獻 105
8.6.3 局限性和未來研究方向 105
第9章 基於元級手機使用數據的個人
信用評估研究 110
9.1 本章簡介 110
9.2 背景介紹 110
9.3 實證研究 112
9.3.1 假設提出 112
9.3.2 樣本和數據 114
9.3.3 變量 114
9.3.4 探索性分析 116
9.4 個人信用評估模型構建 119
9.4.1 變量選擇 120
9.4.2 個人信用評估模型 121
9.5 結果分析 123
9.5.1 評價 123
9.5.2 變量表現 123
9.5.3 不同方法的比較 125
9.5.4 與現有模型的對比 126
9.6 總結 127
第10章 一個應用程序使用行為預測的
深度強化學習框架 132
10.1 本章簡介 132
10.2 背景介紹 133
10.3 相關文獻 135
10.3.1 App使用行為預測研究
現狀 135
10.3.2 深度強化學習研究現狀 136
10.4 方法設計 137
10.4.1 研究必要性 137
10.4.2 DeepApp框架設計 138
10.4.3 App使用行為預測的上下文
感知狀態 140
10.4.4 App使用行為預測的Actor-
Critic智能體 140
10.4.5 DeepApp工作流程 142
10.5 DeepApp框架的實現 143
10.5.1 DeepApp框架後端 143
10.5.2 DeepApp框架前端 143
10.5.3 前後端預測實現 144
10.6 基於數據驅動的實驗與結果 144
10.6.1 實驗設置 144
10.6.2 不同方法的準確率比較 145
10.6.3 通用智能體的有效性
驗證 145
10.6.4 DeepApp解決用戶偏好
時變性問題 146
10.6.5 參數設置實驗 146
10.6.6 不同用戶行為下DeepApp的
性能 147
10.7 實地實驗與結果 148
10.7.1 用戶調查問捲 149
10.7.2 實地實驗算法性能 150
10.7.3 預測延遲問題 150
10.7.4 系統的額外開銷 150
10.8 總結 151

第4篇 用戶行為乾預

第11章 基於多源數據融合的商鋪類型
推薦系統研究 158
11.1 本章簡介 158
11.2 背景介紹 159
11.3 方法設計 160
11.3.1 系統概述 160
11.3.2 商鋪類型推薦模型構建 161
11.4 結果分析 165
11.4.1 數據收集及預處理 165
11.4.2 實驗執行 166
11.4.3 評估度量 166
11.4.4 實驗結果 167
11.5 總結 172
第12章 基於App有效性預測的移動
健康類App推薦方法研究 176
12.1 本章簡介 176
12.2 背景介紹 177
12.3 方法設計 178
12.3.1 問題定義 178
12.3.2 用戶-BCT矩陣構建 179
12.3.3 用戶畫像構建 181
12.3.4 合適的BCT預測 182
12.3.5 移動健康類App推薦 182
12.4 實驗結果 183
12.4.1 實驗數據 183
12.4.2 評估指標 185
12.4.3 實驗結果及分析 186
12.5 總結 190
第13章 利用蜂窩數據基於偏好補全的
協同過濾方法進行位置推薦 195
13.1 本章簡介 195
13.2 背景介紹 195
13.3 方法設計 197
13.3.1 問題定義及偏好補充分析 197
13.3.2 基於偏好補全的位置推薦
方法 200
13.4 實驗結果 204
13.4.1 數據 204
13.4.2 評價指標 205
13.4.3 基準方法 206
13.4.4 實驗結果 206
13.5 總結 212
第14章 基於強化學習的城市地鐵網絡
擴建研究 215
14.1 本章簡介 215
14.2 背景介紹 216
14.3 方法設計 217
14.3.1 準備性工作 217
14.3.2 地鐵擴建方法 219
14.4 實驗結果 224
14.4.1 數據及其預處理 225
14.4.2 基準方法和性能評估 225
14.4.3 與實際規劃地鐵線路的
比較 229
14.4.4 多條地鐵線路擴建 231
14.5 總結 232