面向社会计算的手机用户行为大数据研究

本书以电信运营商数据为基础，依照“用户行为分析-用户行为预测-用户行为干预”的思路，针对社会计算领域的手机用户行为大数据进行深入剖析，开展面向社会治理、商业智能、个体决策各领域(包括城市交通规划、旅游行业发展、公共管理等)的理论分析及应用技术研究。 本书适合高等院校和科研单位从事社会计算、大数据研究的硕士研究生、博士研究生和相关领域学者阅读参考，也有助于电信运营商、手机厂商、政府管理部门在社会计算领域开展大数据管理应用实践。

赵玺，里昂中央理工大博士，现任西安交大管理学院教授、陕西省医疗健康大数据工程研究中心主任、中国人工智能技术与管理应用研究会秘书长。近五年主持国家自然科学基金重点项目等横纵项项目20余项，在互联网平台运营、用户行为分析等方向发表领域很好学术文章近10篇，学术文章80余篇。2018年中央电视台一套黄金档节目“机智过人”专题报道了赵玺的研究工作。

第1篇导论
第1章研究背景2
第2章社会计算概述5
2.1社会计算介绍5
2.2社会计算研究概述6
2.2.1人道主义救援6
2.2.2公共卫生管理8
2.2.3气象灾害应急9
2.2.4经济发展监控9
2.2.5农业食品安全10
2.2.6交通城市规划11
2.2.7能源11
2.2.8国家调研统计11
第3章智能决策16
第2篇用户行为分析
第4章基于电信运营商数据的路网匹配算法20
4.1本章简介20
4.2背景介绍20
4.3问题定义22
4.3.1路网匹配问题定义22
4.3.2现有的路网匹配方法的局限性23
4.4方法设计24
4.4.1方法概览24
4.4.2位置表征模型25
4.4.3路网匹配模型26
4.4.4强化学习优化模型27
4.5系统实现29
4.5.1离线训练过程29
4.5.2在线匹配过程30
4.6实验结果31
4.6.1实验设置31
4.6.2路网匹配准确率验证31
4.6.3路网匹配的匹配时间验证32
4.6.4注意力模型的有效性验证32
4.6.5系统的鲁棒性验证33
4.6.6位置表征模型的有效性验证35
4.6.7强化学习优化模型的有效性验证36
4.7相关文献讨论37
4.8总结38
第5章利用移动跟踪数据从旅游团组规模的角度理解游客移动模式：以中国西安为例43
5.1本章简介43
5.2背景介绍43
5.2.1游客行为43
5.2.2团组规模44
5.3案例介绍45
5.3.1研究区域和数据45
5.3.2细粒度旅游团组划分方法47
5.4案例分析结果51
5.4.1人口统计学模式51
5.4.2空间模式52
5.4.3时间模式54
5.5总结55
5.5.1结果洞察55
5.5.2实际意义56
5.5.3结论58
第6章大型活动期间的旅游景区游客增幅研究：目的地属性的影响62
6.1本章简介62
6.2背景介绍62
6.2.1研究背景62
6.2.2相关研究63
6.3案例介绍66
6.3.1案例区域和数据66
6.3.2变量测量66
6.3.3数据分析68
6.4案例分析结果69
6.4.1描述性分析69
6.4.2相关性分析69
6.4.3探索性因子分析70
6.4.4回归分析―目的地属性对游客增幅的影响71
6.5总结72
6.5.1理论意义72
6.5.2实际意义73
6.5.3结论74
第7章基于标记时间点过程的手机应用程序使用预测算法78
7.1本章简介78
7.2背景介绍79
7.3方法设计80
7.4应用程序时间点过程算法81
7.4.1应用程序表征模块82
7.4.2应用程序使用预测器模块82
7.4.3环境感知优化模块84
7.5实验结果85
7.5.1数据驱动实验86
7.5.2现场实验88
7.5.3系统开销89
7.6相关文献讨论91
7.7总结92
附录AMTPP模型的参数学习93
附录B模型实现94
附录C模型训练94
第3篇用户行为预测
第8章使用“大五”人格特质预测日常
移动行为：基于手机数据的实证研究96
8.1本章简介96
8.2研究背景96
8.2.1日常移动行为96
8.2.2人格特质与日常移动行为97
8.2.3研究概述98
8.3假设建立98
8.3.1神经质与日常移动行为98
8.3.2尽责性和日常移动行为99
8.3.3宜人性和日常移动行为99
8.3.4开放性与日常移动行为99
8.3.5外向性和日常移动行为99
8.4实验设计100
8.4.1数据收集100
8.4.2变量测量100
8.5分析结果101
8.6总结104
8.6.1研究总结104
8.6.2贡献105
8.6.3局限性和未来研究方向105
第9章基于元级手机使用数据的个人信用评估研究110
9.1本章简介110
9.2背景介绍110
9.3实证研究112
9.3.1假设提出112
9.3.2样本和数据114
9.3.3变量114
9.3.4探索性分析116
9.4个人信用评估模型构建119
9.4.1变量选择120
9.4.2个人信用评估模型121
9.5结果分析123
9.5.1评价123
9.5.2变量表现123
9.5.3不同方法的比较125
9.5.4与现有模型的对比126
9.6总结127
第10章一个应用程序使用行为预测的深度强化学习框架132
10.1本章简介132
10.2背景介绍133
10.3相关文献135
10.3.1App使用行为预测研究现状135
10.3.2深度强化学习研究现状136
10.4方法设计137
10.4.1研究必要性137
10.4.2DeepApp框架设计138
10.4.3App使用行为预测的上下文感知状态140
10.4.4App使用行为预测的Actor-Critic智能体140
10.4.5DeepApp工作流程142
10.5DeepApp框架的实现143
10.5.1DeepApp框架后端143
10.5.2DeepApp框架前端143
10.5.3前后端预测实现144
10.6基于数据驱动的实验与结果144
10.6.1实验设置144
10.6.2不同方法的准确率比较145
10.6.3通用智能体的有效性验证145
10.6.4DeepApp解决用户偏好时变性问题146
10.6.5参数设置实验146
10.6.6不同用户行为下DeepApp的性能147
10.7实地实验与结果148
10.7.1用户调查问卷149
10.7.2实地实验算法性能150
10.7.3预测延迟问题150
10.7.4系统的额外开销150
10.8总结151
第4篇用户行为干预
第11章基于多源数据融合的商铺类型推荐系统研究158
11.1本章简介158
11.2背景介绍159
11.3方法设计160
11.3.1系统概述160
11.3.2商铺类型推荐模型构建161
11.4结果分析165
11.4.1数据收集及预处理165
11.4.2实验执行166
11.4.3评估度量166
11.4.4实验结果167
11.5总结172
第12章基于App有效性预测的移动健康类App推荐方法研究176
12.1本章简介176
12.2背景介绍177
12.3方法设计178
12.3.1问题定义178
12.3.2用户-BCT矩阵构建179
12.3.3用户画像构建181
12.3.4合适的BCT预测182
……