在复杂轨道交通网络中,某些乘客的出行行程是确定的。这些乘客可以作为启发式的“证人”,为其他乘客证明某个行程的可能性,从而在保证查全率的前提下,准确地找出潜在的密接乘客。本文的目的是开发一套适用于城市轨道交通的疫情密接人群追溯方法,利用有限的确定行程乘客作为虚拟的目击者,采用启发式的树搜索生成目标乘客可能的出行链,通过验证目标出行链与感染者行程是否有交集,判断目标乘客是否为密接乘客。以北京城市轨道交通为例,招募志愿者在特定线路乘车,并假定感染者乘车信息,通过提取有关自动售检票(Automatic Fare Collection,AFC)数据识别密接乘客,以验证方法的有效性。在实验场景下,本文提出的方法对密接乘客的识别查全率达到100%,查准率达到92.7%,表明方法具备一定的可行性。识别结果有助于有关部门针对性采取措施,更高效率地防范疫情蔓延和传播。
基于位置社交网络(location-based social network,LBSN)的兴趣点(point-of-int crest,POI)推荐存在以下挑战:LBSN中具有大量异构数据,其含有的丰富信息未得到充分利用;"用户-兴趣点"矩阵非常稀疏,不利于提取其对应的特征。因...
详细信息
基于位置社交网络(location-based social network,LBSN)的兴趣点(point-of-int crest,POI)推荐存在以下挑战:LBSN中具有大量异构数据,其含有的丰富信息未得到充分利用;"用户-兴趣点"矩阵非常稀疏,不利于提取其对应的特征。因此,引入了加权异构信息网络(weighted heterogeneous information network,WHIN),并采用加权元路径处理LBSN中地理位置、社交关系和时间周期对用户偏好的影响。在此基础上,提出了一种基于改进的奇异值分解(singular value decomposition,SVD++)和因子分解机(factorization machines,FM)的个性化兴趣点推荐算法。通过在Go walla和Foursquare数据集上的数据实验,验证了基于SVD++&FM的兴趣点推荐算法能够取得较优的推荐效果。研究结果对使用异构数据构建更加有效的兴趣点推荐系统具有重要指导意义,并为LBSN网站的服务推荐提供重要的管理建议。
暂无评论