面向移动流量数据的相似性度量方法研究

摘要

随着互联网技术的快速发展，以及4G通信技术的普及，移动互联网的使用频率已经远远超过笔记本电脑平台，并且成为了互联网的最主要入口。由于移动设备的便携性，人们可以随时随地进行社交、网上购物、共同游戏、观看高清视频等等各种娱乐活动，同时，办公也越来越来依赖于移动设备。因此，人们每天都会产生海量的移动流量数据，我们需要对移动流量数据进行分析而获取其中蕴含着的非常有价值的信息。在对移动流量数据进行分析和挖掘的过程中，移动流量数据的相似性研究是重要前提，其相似性度量的好坏将在很大程度上影响到后续分析的结果，所以提高移动流量数据之间的相似性度量的精度是进行数据分析的一项基本且重要的工作，因此，本文针对移动流量数据的相似性度量方法展开相关研究，主要研究内容如下: (1)本文提出一种基于动态时间弯曲算法的新的移动流量数据相似性度量方法。在计算移动流量数据相似性的方法中，传统的欧氏距离只能计算等长的移动流量数据，这大大局限了该方法的应用。动态时间弯曲算法在计算移动流量数据的过程中，可以将非等长移动流量数据进行线性对齐，从而可以计算非等长的移动流量数据之间的相似性，并且该算法容易导致计算过程中路径的过度拟合，因此引入导数动态时间弯曲算法进行优化，并提出一个基于动态时间弯曲的相似性度量方法，通过实验，改进的方法相比其他方法有一定的精度提升。 (2)通过对移动流量数据的相似性度量方法的研究，本文也对其应用场景进行了分析。基于移动流量数据的特征，并结合城市真实地面数据和相似性度量过程中的聚类结果，通过选取聚类截止值对城市进行功能区的划分。除此之外，在对移动流量数据的时域和频域信息进行分析时，可以对城市中可能存在的异常活动进行检测。通过对城市进行功能区划分和异常活动检测，将更有利于人们的生活和城市的发展。 (3)根据对移动流量数据的相似性研究及其应用，设计一个移动流量数据分析系统，通过导入移动流量数据，可以实现相似性分析的研究，并且可以进行城市功能区划分和异常活动的检测等功能。同时，用户还可以自定义相似性度量的方法，通过提交方法实现文件，可以实现不同方法之间的比较，从而可以不断地提升方法度量精度。

目录

声明

摘要

1．1研究背景与意义

1．2国内外研究现状

1．3本文的主要工作

1．4本文的内容安排

第二章相关理论基础

2．1移动流量数据获取方法

2．2数据预处理方法

2．2．1主成分分析

2．2．2皮尔逊相关系数

2．2．3快速傅里叶变换

2．3常用的相似性度量方法

2．3．1欧氏距离

2．3．2动态时间弯曲距离

2．3．3导数动态时间弯曲距离

2．4聚类算法简介

2．4．1 K-means聚类算法

2．4．2层次聚类算法

2．4．3谱聚类算法

2．5本章小结

第三章移动流量数据的相似性度量方法

3．1基于动态时间弯曲的相似性度量方法

3．2基于导数动态时间弯曲的相似性度量方法

3．3改进的相似性度量方法

3．4实验及结果分析

3．4．1数据集及预处理

3．4．2结果分析

3．5本章小结

第四章移动流量数据相似性度量方法的应用

4．1城市功能区划分

4．1．1城市功能区划分探究

4．1．2城市功能区划分结果

4．2城市异常活动检测

4．2．1城市异常活动检测探究

4．2．2城市异常活动检测结果

4．3本章小结

第五章面向移动流量数据研究的系统设计

5．1系统概述

5．2相关技术简介

5．2．1 Spring框架

5．2．2 MyBatis框架

5．2．3 Redis

5．3系统设计

5．3．1功能需求

5．4系统运行实例

5．5本章小结

6．1总结

6．2展望

参考文献

攻读硕士学位期间参加的科研项目和研究成果

致谢