发现无线通信环境中用户的移动模式是移动对象管理中的一个关键问题.提出一种快速挖掘该模式的算法SAM(split and merge),用来挖掘移动对象所产生有序数据集中潜在的移动模式,从而为移动对象管理提供服务.该算法将自底向上搜索和自顶向...
详细信息
发现无线通信环境中用户的移动模式是移动对象管理中的一个关键问题.提出一种快速挖掘该模式的算法SAM(split and merge),用来挖掘移动对象所产生有序数据集中潜在的移动模式,从而为移动对象管理提供服务.该算法将自底向上搜索和自顶向下过滤技术相结合,采用图存储压缩数据集方法,利用非频繁项集分解子图和频繁长模式过滤数据集相结合的技术,大大减少了迭代次数,降低了CPU时间.最后给出了算法性能比较和算法分析.结果表明,该算法是有效的.
针对大多数位置预测算法缺乏综合考虑社交关系以及移动模式对用户时空行为的影响,提出一种融合信任圈和移动模式的位置预测框架FTM(a location prediction framework based on trust circle and mobilitypattern)来预测用户的下一个签...
详细信息
针对大多数位置预测算法缺乏综合考虑社交关系以及移动模式对用户时空行为的影响,提出一种融合信任圈和移动模式的位置预测框架FTM(a location prediction framework based on trust circle and mobilitypattern)来预测用户的下一个签到位置。通过分析Gowalla数据集提出一种称为信任圈的新型社交圈,并从中划分出具有代表性的三类社交关系;利用多社交圈模型模拟评估不同信任圈的影响力;根据用户移动模式的特征提出了直接访问模式以及多元访问模式,并利用加权的方法计算不同移动模式的影响力;在真实数据集上进行对比实验,实验结果表明:FTM框架在预测下一签到位置较其他代表性算法具有更高的准确率,平均准确率可以达到92.6%以上,并且随着空间阈值的变化,FTM较其他方法表现出更好的鲁棒性。
暂无评论