"本書在全面介紹移動數據挖掘的基礎概念和涉及領域的基礎上，著重介紹了移動數據挖掘的核心算法，包括傳統統計網絡分析方法、一般機器學習算法、高級機器學習方法以及面向移動數據挖掘的推薦算法等內容，並配合提供了大量的前沿技術案例來說明如何將理論算法合理應用到移動數據挖掘的實際問題中。全書共分5篇：第1篇(第1~4章)為傳統方法篇，著重介紹時間序列分析、網絡分析、統計概率建模等經典方法；第2篇(第5~7章)為一般機器學習篇,著重討論經典聚類算法、降維挖掘算法和分類算法及其應用案例；第3篇(第8~10章)為高等機器學習篇，介紹表征學習、深度學習和圖神經網絡算法及其應用案例等；第4篇(第11~13章)為推薦系統篇，介紹一般推薦系統算法、移動數據相關的推薦系統以及移動應用推薦系統和算法等；第5篇(第14~16章)為前沿研究篇，介紹基於移動大數據的前沿研究方向，以移動行為建模、城市科學和城市不平等三項前沿研究為例,介紹移動數據挖掘的研究思路和未來發展方向。全書提供了大量算法應用案例，每章後均附相關經典文獻以供讀者參考學習。本書可作為高等院校電子信息類、計算機類、自動化類、軟件工程、城市規劃、土木工程等專業高年級本科生、研究生的教材，也可供對數據挖掘、時空數據等內容比較熟悉並且對機器學習算法有所了解的開發人員和研究人員參考。"

李勇，清華大學電子工程系長聘教授、城市科學與計算研究中心負責人。圍繞人工智能、數據科學及交叉學科方向，承擔國家重點研發計劃項目、自然科學基金重點項目等20余項，研究成果發表於Nature Computational Science（自然·計算科學）、Nature Machine Intelligence（自然·機器智能）、Nature Human Behaviour（自然·人類行為）、Nature Cities（自然·城市）等綜合性期刊，在ACM KDD、NeurIPS、ICLR、WWW等CCF A類會議期刊發表學術論文100余篇，引用34000次，授權專利50余項。先後入選全球“高被引科學家”、國家級人才計劃，

第1篇傳統方法篇

第1章基礎知識與概述

1.1移動大數據

1.1.1移動數據的來源

1.1.2移動數據的種類

1.1.3移動數據的收集方法

1.2移動數據挖掘概述

1.2.1移動數據挖掘的定義

1.2.2移動數據挖掘需要的技術

1.2.3面向數據挖掘的分布式計算基礎

1.3移動數據挖掘應用領域

1.3.1領域一：互聯網應用

1.3.2領域二：城市規劃與治理

1.3.3領域三：環境保護與可持續發展

1.3.4領域四：公共衛生管理與政策制定

1.3.5領域五：城市科學

1.4移動數據挖掘的經典案例

1.4.1案例一：傳染病防控

1.4.2案例二：犯罪預測

1.4.3案例三：空氣汙染治理

1.5本書結構

1.6本章小結

參考文獻

第2章時間序列分析方法

2.1時間序列概述

2.1.1時間序列的定義

2.1.2時間序列的性質

2.1.3時間序列分析的目的

2.2時域分析方法

2.2.1自回歸模型

2.2.2移動平均模型

2.2.3自回歸移動平均模型

2.2.4差分整合移動平均自回歸模型

2.3頻域分析方法

2.3.1離散時間傅裏葉變換

2.3.2小波變換

2.4案例一：規律預測

2.4.1問題描述

2.4.2方法運用

2.4.3結果分析

2.5案例二：異常檢測

2.5.1問題描述

2.5.2方法運用

2.5.3結果分析

2.6案例三：模式分析Ⅰ

2.6.1問題描述

2.6.2方法運用

2.6.3結果分析

2.7案例四：模式分析Ⅱ

2.7.1問題描述

2.7.2方法運用

2.7.3結果分析

2.8本章小結

參考文獻

第3章網絡模型分析方法

3.1網絡模型概述

3.1.1網絡模型的定義

3.1.2網絡中的度量

3.1.3真實網絡的性質

3.2三角形計數算法

3.2.1網絡中的三角形

3.2.2深入三角形計數算法

3.3社群發現算法

3.3.1社群發現與模塊度

3.3.2Louvain算法

3.3.3基於PageRank的社群發現算法

3.4案例一：移動行為模式分析

3.4.1問題描述

3.4.2結果分析

3.5案例二：移動社交網絡分析

3.5.1問題描述

3.5.2結果分析

3.6本章小結

參考文獻

第4章統計概率建模方法

4.1常用概率分布及特性

4.1.1基本概念

4.1.2常用離散分布

4.1.3常用連續分布

4.2概率建模理論與方法

4.2.1大數定律和中心極限定理

4.2.2樣本與統計量

4.2.3點估計與置信區間

4.2.4選擇合適的概率分布

4.3案例一：人類移動行為建模

4.3.1問題描述

4.3.2個體移動建模

4.3.3群體移動建模

4.4案例二：移動行為與城市發展

4.4.1問題描述

4.4.2方法運用

4.4.3結果分析

4.5本章小結

參考文獻

第2篇一般機器學習篇

第5章聚類挖掘方法

5.1聚類挖掘方法概述

5.1.1機器學習方法概述

5.1.2聚類方法概述

5.2層次聚類算法

5.3k均值聚類算法

5.4其他聚類算法

5.5案例一：移動軌跡模式聚類

5.5.1問題描述

5.5.2方法運用

5.5.3結果分析

5.6案例二：地點訪問規律發現

5.6.1問題描述

5.6.2方法運用

5.6.3結果分析

5.7本章小結

參考文獻

第6章降維挖掘方法

6.1降維挖掘方法概述

6.2矩陣分解降維： PCA與SVD

6.2.1主成分分析

6.2.2奇異值分解

6.3可視化降維： tSNE

6.4案例一：人類移動行為分析

6.4.1問題描述

6.4.2方法運用

6.4.3結果分析

6.5案例二：軌跡模式可視化

6.5.1問題描述

6.5.2方法運用

6.5.3結果分析

6.6本章小結

參考文獻

第7章分類挖掘方法

7.1分類挖掘方法概述

7.2支持向量機

7.2.1基本概念

7.2.2問題求解

7.2.3模型擴展

7.3決策樹

7.3.1基本概念

7.3.2問題求解

7.3.3過擬合與剪枝

7.3.4連續變量與缺失變量處理

7.3.5集成學習與決策樹

7.4案例一：交通出行預測

7.4.1問題描述

7.4.2方法運用

7.4.3結果分析

7.5案例二：出租車行程預測

7.5.1問題描述

7.5.2方法運用

7.6本章小結

參考文獻

第3篇高等機器學習篇

第8章表征學習

8.1表征學習概述

8.1.1背景

8.1.2問題定義

8.1.3表征學習的主要作用

8.2文本表征Word2Vec

8.2.1Word2Vec概述

8.2.2Word2Vec原理與方法

8.2.3Word2Vec應用

8.3圖表征學習

8.3.1圖基礎理論

8.3.2圖機器學習任務

8.3.3圖表征學習方法

8.3.4圖神經網絡

8.4案例一：移動地點表征

8.4.1問題描述

8.4.2方法運用

8.4.3結果分析

8.4.4案例總結

8.5案例二：移動用戶表征

8.5.1問題描述

8.5.2方法運用

8.5.3結果分析

8.5.4案例總結

8.6案例三: 移動App表征

8.6.1問題描述

8.6.2方法運用

8.6.3結果分析

8.6.4案例總結

8.7本章小結

參考文獻

第9章深度學習方法

9.1深度學習概述

9.1.1深度學習的歷史和發展

9.1.2基本概念和術語

9.1.3神經網絡基礎

9.1.4深度學習與傳統機器學習的區別

9.2卷積神經網絡的基本結構和發展

9.2.1卷積神經網絡的基本結構

9.2.2卷積神經網絡的發展

9.3循環神經網絡的基本結構和發展

9.3.1循環神經網絡的基本結構

9.3.2循環神經網絡的發展

9.4時空網絡

9.4.1時空網絡概述

9.4.2時空網絡數據類型

9.4.3深度時空網絡

9.5案例一：移動軌跡預測

9.5.1問題描述

9.5.2方法運用

9.5.3結果分析

9.5.4案例總結

9.6案例二：移動人流量預測

9.6.1問題描述

9.6.2方法運用

9.6.3結果分析

9.6.4案例總結

9.7案例三：交通流量預測

9.7.1問題描述

9.7.2方法運用

9.7.3結果分析

9.7.4案例總結

9.8本章小結

參考文獻

第10章圖神經網絡

10.1概述

10.1.1圖與圖結構數據

10.1.2圖機器學習問題

10.1.3圖神經網絡基礎

10.2典型的圖神經網絡

10.2.1圖卷積網絡

10.2.2GraphSAGE

10.2.3圖註意力網絡

10.2.4圖神經網絡對比

10.3案例一：不規則移動人流預測

10.3.1問題描述

10.3.2方法運用

10.3.3結果分析

10.3.4不規則移動人流預測案例總結

10.4案例二：移動OD預測

10.4.1問題描述

10.4.2方法運用

10.4.3結果分析

10.4.4移動OD預測案例總結

10.5案例三：移動App預測

10.5.1問題描述

10.5.2方法運用

10.5.3結果分析

10.5.4移動App預測案例總結

10.6本章小結

參考文獻

第4篇推薦系統篇

第11章推薦系統基礎

11.1推薦系統概述

11.1.1推薦系統產生背景

11.1.2推薦系統基本概念

11.2推薦系統技術基礎

11.2.1基於內容的推薦系統

11.2.2基於協同過濾的推薦系統

11.2.3基於隱因子的推薦系統

11.2.4不同方法的對比與融合

11.3基於深度學習的推薦系統

11.3.1使用深度學習的原因

11.3.2匹配函數學習

11.3.3表征學習

11.4推薦系統最新進展

11.4.1圖神經網絡

11.4.2擴散模型

11.4.3大語言模型

11.5推薦系統的評估與應用

11.5.1推薦系統的評估及其指標

11.5.2推薦系統的應用與場景

11.6本章小結

參考文獻

第12章移動大數據與推薦系統

12.1移動大數據催生移動推薦系統

12.2移動推薦系統的應用場景

12.2.1旅遊輔助

12.2.2路線推薦

12.2.3信息推薦

12.3本章小結

參考文獻

第13章移動App推薦

13.1問題概述

13.2方法綜述

13.2.1基於張量的方法

13.2.2基於圖模型的方法

13.3案例一：基於社交信息輔助的App推薦

13.3.1問題描述

13.3.2方法運用

13.3.3結果分析

13.4案例二：基於圖神經網絡的App推薦

13.4.1問題描述

13.4.2方法運用

13.4.3結果分析

13.5案例三：基於超圖神經網絡的App推薦

13.5.1問題描述

13.5.2方法運用

13.5.3結果分析

13.6本章小結

參考文獻

第5篇前沿研究篇

第14章移動行為建模

14.1移動行為概述

14.1.1移動行為至關重要

14.1.2移動行為研究歷史

14.1.3更加復雜的移動行為建模

14.2問題描述與分析

14.2.1移動行為數據

14.2.2移動行為度量指標

14.3已有典型研究

14.3.1個體移動模型

14.3.2群體移動模型

14.4研究要點與關鍵

14.4.1與交叉學科的深度耦合

14.4.2內在機理和普適規律兼具

14.4.3基於人工智能的深度建模

14.4.4移動行為建模與城市計算問題

14.5開放性研究問題

14.5.1移動行為建模引入信息論

14.5.2移動行為建模引入物理模型

14.5.3移動行為建模與強化學習的思想進行對比

14.5.4考慮社交網絡影響

14.5.5研究物理模型的關鍵參數

14.5.6非穩態視角看待人類移動

14.6本章小結

參考文獻

第15章城市科學

15.1城市科學概述

15.2研究問題

15.3已有典型研究

15.3.1城市規模定律

15.3.2城市人群區隔與不平等

15.3.3城市韌性與可持續發展

15.4研究要點與關鍵

15.5開放性研究問題

15.5.1城市建成環境對群體動態的影響

15.5.2數據驅動的城市智能

15.5.3城市規劃與自發增長的內在關聯

15.5.4生成式城市智能體研究

15.6本章小結

參考文獻

第16章移動不平等性

16.1問題描述與分析

16.1.1不平等性研究背景

16.1.2移動與不平等性

16.2已有典型研究

16.2.1移動行為不平等

16.2.2社會隔離

16.2.3環境與健康不平等

16.3研究要點與關鍵

16.3.1問題選取與思路

16.3.2不平等性研究範式

16.4開放性研究問題

16.4.1不平等性研究中的因果分析

16.4.2線上與線下的隔離

16.4.3溯源移動不平等性

16.4.4移動數據標簽不平等性

16.5本章小結

參考文獻

移動數據挖掘

商品描述

作者簡介

目錄大綱

類似商品