多源位置数据的融合、挖掘与应用

基于位置的服务是指利用地理数据和信息向用户提供服务的软件服务。LBS可用于多种场景，如健康、娱乐、室内对象搜索、工作和个人生活等。为了提供更好的LBS服务，政府部门和各类机构需要集成各种来源的位置数据和其他关联数据，但是这些数据存在明显的混杂性、复杂性和稀疏性，给数据融合带来巨大的挑战。本书以位置大数据为研究对象，综述多源位置数据的融合及挖掘的理论、技术和方法，并以POI数据、GPS轨迹数据、签到数据和地图数据为例，阐述多源位置数据融合时，如何解决数据不一致、数据稀疏性和数据不平衡等问题；同时，详细描述了它们在城市功能区域识别、城市热点区域挖掘、城市热点区域量化分析、居民出行热点路径挖掘和居民出行频繁模式挖掘等研究领域的协同挖掘和价值提取。 本书可作为高等院校数据挖掘、大数据分析等课程的教材，也可供从事相关领域研究和应用的科技工作者参考。

第1章 位置大数据概述 1 1.1 位置大数据简介 1 1.2 位置大数据的应用领域 2 1.3 多源位置数据融合理论及面临的挑战 4 1.3.1 数据融合的基本理论 4 1.3.2 多源位置数据融合的相关方法 6 1.3.3 多源位置数据融合面临的挑战 9 参考文献 10 第2章 多源异构POI数据融合 12 2.1 POI数据模型和数据融合技术 12 2.1.1 POI数据模型 12 2.1.2 POI数据融合技术 13 2.2 问题描述 14 2.3 多源异构POI数据的融合方法 16 2.3.1 改进的POI数据模型 17 2.3.2 基于本体的POI分类系统 18 2.4 多源异构POI数据的融合算法 19 2.4.1 融合算法MDFC-POI 19 2.4.2 MDFC-POI算法描述 22 2.4.3 一致性数据融合方法的实现 23 2.5 实验和结果分析 24 2.5.1 数据来源及评估指标 24 2.5.2 实验结果 26 2.5.3 小结 31 参考文献 32 第3章 城市功能区域识别 34 3.1 城市功能区域概述 34 3.1.1 城市功能区域的形成机制 34 3.1.2 城市功能分区域所用数据源 35 3.1.3 地图分割 37 3.1.4 城市功能区域的识别方法 39 3.2 问题描述 41 3.3 图嵌入模型 43 3.3.1 图嵌入概述 44 3.3.2 图嵌入方法node2vec 45 3.4 基于node2vec图嵌入的城市功能区域发现 46 3.4.1 基于形态学图像的地图分割 47 3.4.2 城市功能区域图嵌入表示 49 3.4.3 城市功能区域语义识别 50 3.5 实验和结果分析 52 3.5.1 数据集及评估方法 52 3.5.2 实验结果分析 53 3.5.3 小结 56 参考文献 56 第4章 稀疏签到数据补全 58 4.1 数据稀疏性概述 58 4.1.1 稀疏数据的成因 58 4.1.2 签到数据的稀疏性 59 4.1.3 问题描述 60 4.2 张量分解概述 61 4.2.1 张量简介 61 4.2.2 张量分解 63 4.3 稀疏签到数据补全方法 66 4.3.1 耦合矩阵和张量分解简介 66 4.3.2 时空相关性分析 68 4.3.3 签到数据补全模型 70 4.3.4 模型分解及算法 72 4.4 实验和结果分析 76 4.4.1 数据集及评估指标 76 4.4.2 结果分析 76 4.4.3 小结 79 参考文献 79 第5章 城市热点区域挖掘 81 5.1 热点区域发现 81 5.1.1 城市热点区域挖掘方法 81 5.1.2 问题描述 82 5.2 相关研究现状 83 5.2.1 不平衡数据的研究 83 5.2.2 聚类算法研究 84 5.3 多源不平衡数据融合下的聚类挖掘方法 84 5.3.1 相对熵与决策图 85 5.3.2 多源不平衡数据的聚类算法 87 5.3.3 算法实现 90 5.4 实验和结果分析 91 5.4.1 数据集 91 5.4.2 评估指标 92 5.4.3 实验方法 94 5.4.4 结果分析 97 5.4.5 小结 100 参考文献 100 第6章 城市热点区域量化分析 102 6.1 热点区域量化方法 102 6.2 问题描述 103 6.3 热点区域相似性分析方法 103 6.3.1 聚类簇的几何形状描述 104 6.3.2 平面点集的凸包算法 106 6.3.3 凸包相交的判断算法 107 6.4 热点区域吸引力指数 109 6.4.1 热点区域吸引力指数概念 109 6.4.2 热点区域吸引力指数模型 110 6.5 热点区域吸引力指数计算 111 6.5.1 热点区域相似性匹配算法 111 6.5.2 热点区域吸引力指数算法 113 6.6 实验和结果分析 114 6.6.1 相似性判断实验 114 6.6.2 吸引力指数实验 117 6.6.3 吸引力指数评估 119 6.6.4 热点区域吸引力可视化 121 6.6.5 小结 123 参考文献 123 第7章 居民出行热点路径挖掘 125 7.1 热点路径发现 125 7.1.1 居民出行热点路径 125 7.1.2 居民出行热点路径的挖掘方法 126 7.1.3 问题描述 126 7.2 轨迹数据建模和相似度度量 127 7.2.1 轨迹数据建模 127 7.2.2 轨迹相似度度量 128 7.3 基于轨迹数据的热点路径挖掘 130 7.3.1 地图匹配及GPS轨迹数据建模 131 7.3.2 基于全局特征和局部特征的轨迹聚类算法 133 7.4 实验和结果分析 137 7.4.1 参数确定及评估指标 137 7.4.2 结果分析 140 7.5 热点路径可视化分析 142 7.5.1 轨迹聚类结果可视化 142 7.5.2 热点路径的时空规律 142 7.5.3 小结 146 参考文献 146 第8章 居民出行频繁模式挖掘 148 8.1 频繁模式挖掘 148 8.1.1 居民出行频繁模式 148 8.1.2 居民出行频繁模式的挖掘研究 149 8.2 问题描述 149 8.3 居民出行频繁模式的挖掘方法 150 8.3.1 居民出行频繁模式挖掘方法的框架 150 8.3.2 居民出行模式图的构建 151 8.3.3 数据结构的改进 152 8.4 频繁关联模式挖掘 154 8.4.1 基于频繁子图挖掘算法的频繁关联模式挖掘 154 8.4.2 基于MulEdge算法的频繁关联模式挖掘 155 8.5 实验和结果分析 157 8.5.1 数据集及运行时间 157 8.5.2 实验结果 158 8.5.3 小结 160 参考文献 161