论文部分内容阅读
随着移动通信技术的快速发展,越来越多的用户利用智能终端获取信息。城镇化的迅猛发展在给人们带来更加广泛出行范围的同时,也给道路建设、基站建设以及城市规划带来了全新的挑战。为了更好的对用户出行提供基于位置的服务,分析研究人们的移动性正变得尤为重要。然而,在城市区域内人口数量虽然巨大,但是对于单独个体来说,人们之间具有很大的移动特征差异性。因此对单独个体的移动特征进行研究不具有较大的科研价值。在真实的蜂窝无线网络中,弱化单独个体的研究,去深入探究用户的整体实时状态反而会呈现出潜在的移动性规律。对用户的移动特征建模和分析是规划现有通信网络、交通网络并优化城市建设的理论基础之一。本研究通过甘肃省多个城市的蜂窝无线网络中采集的2015年4月份3天的真实网络数据,对用户的移动性(主要研究方向为位置和时间)进行分析和研究,并对用户的移动性进行了预测,主要研究内容及创新点包括:第一,应用了无线网络大数据平台的相关技术:存储技术HDFS(Hadoop分布式文件系统)和基于内存的计算技术Spark。同时对用户的移动性进行了详细的分析,包括移动距离和移动范围等,本文选取了经济发展、人口数量、城市面积等参数不同的多个城市进行了移动性的对比分析,研究结论发现:用户移动距离和轨迹凸包面积近似符合幂律分布,用户回转半径近似符合截断幂律分布,经济越发达并且基站分布密度越大的城市,其用户的移动性越强。第二,利用基于密度的聚类算法(DBSCAN)来挖掘城市的功能区和热点区域,对不同城市各功能区域的用户移动行为进行研究,给出了城市热点区域的分布,同时根据用户的历史轨迹,挖掘用户移动的频繁模式。分析结果说明了城市热点区域与人流量存在很强的关联,同时用户移动模式与时间有着相当强的联系,在一天中的不同时间段,用户的移动规律往往具有很大的差异性。第三,本文利用层次树的思想构建层次图来建模每个用户的历史轨迹,将用户轨迹映射为层次图的一个子图,通过比较不同子图之间的相似性,从而找到与某个用户相似的多个用户。通过相似用户进行基于位置的推荐,推荐成功率达到42%。同时,将隐马尔可夫模型用于基于位置的移动性预测,移动性预测的平均准确率达到了59.83%,与传统的二阶马尔科夫链算法相比较,移动性预测的准确率大约提升了20%。基于蜂窝无线网络中采集的运营商数据,本研究从多个方向分析了用户的移动行为,推荐、预测算法和分析结果可以为基站建设、城市规划等城市诸多问题提供帮助,促进城市的有序健康发展,使无线网络资源能够以最大的效率得以利用。