互联网和多功能移动设备的普及对于移动对象数据的获取提供了更多的方案,数据类型和数据量都更加丰富。社交媒体数据从多个角度记录了个体在真实世界的活动行为和移动轨迹,并且随着传感器精度的提高,数据也更加真实权威。基于位置的社交网络服务平台微博、微信、Four Square、Twitter等,每天有许多用户在这些平台分享动态,包含了时间、位置和其他以图片、视频、文本形式存在的信息。这些信息直接或间接的体现了个体的活动行为。而个体活动城市交通出行、公共服务、基础设施等密切相关,个体活动行为的识别对构建用户画像、精准推荐、定制服务、群体移动性分析具有重要价值,还可以为城市规划和城市建设提供决策支持。本文通过社交媒体签到数据来对个体进行活动语义识别,个体签到时的时间信息、空间信息和文本信息,刻画了个体的活动行为。当前研究在个体活动语义识别主要集中于时间特征和空间特征的探究,缺乏文本中语义信息的挖掘。针对这些问题,本文提出了一种多特征融合的个体活动语义识别算法,在时间特征和空间经纬度特征外,从群体偏好和个体偏好的角度进一步挖掘了空间活动偏好特征和签到地点名称中的文本语义特征。本文具体研究内容包括:1.社交媒体签到数据的时空特征提取。分别从时间信息、空间信息中提取活动相关的特征,对于时间信息中所包含的活动行为周期性和序列性信息使用季节、月份、日、星期、工作日和时刻信息来描述。空间信息则挖掘空间活动偏好特征,对于空间位置中的热点访问区域,通过空间偏好量化算法进行量化,将这种被视觉或者知觉所感知的特征使用数值表达出来,从数量关系中来体现活动行为的空间偏好。2.社交媒体签到数据的文本语义特征提取。签到地点名称和场所属性密切相关,场所属性和个体活动行为相关。本文从签到地点名称中挖掘文本语义信息,使用双向深度自注意力网络模型进行签到点名称的文本语义提取,将文本中潜藏的活动语义信息使用向量表征,完成词的语义向量转换。3.个体活动语义识别模型分类器的构建。本文分别对比了极限梯度提升模型、支持向量机、随机森林模型和K-最近邻算法对多特征融合特征向量的分类识别能力,选择出了最优的分类器。本文提出的多特征融合个体活动语义识别方法,对于个体活动语义识别的精度达到了87.6%,各实验证明了本文所提取特征的有效性,与相关算法的对比中,本文算法性能也有更好的表现。