利用时空数据推断社会属性的模型

1. 引言

1.1 研究背景

1.1.1 社会属性的重要性

• 理解城市居民的社会属性，如职业、居住特点等，对社会研究、公共政策制定和商业具有重要的意义。
• 这类数据通常通过人口普查获得，更新率低，或者通过问卷调查，存在抽样率和偏差大的问题。

1.1.2 移动设备的位置跟踪功能

• 现代移动设备的位置跟踪功能为理解个人日常生活中的流动性提供了前所未有的机会。
• 随着移动设备的普及，可以更有效地、更频繁地收集有关个人活动或状态的更详细数据。

1.2 研究现状

1.2.1 利用社交网络分析获取社会属性

• 目前通过分析社交网络来获取人们的社会属性，但这些方法无法反映职业特征与日常活动之间的关系。
• 利用时空数据分析的方法受到样本特征的限制，更多地关注于出行模式和到达时间预测。

1.2.2 利用移动电话数据获取个人细节

• 一些研究利用移动电话用户授权的移动电话数据来获取个人细节，如性别、职业、收入和偏好等。
• Shibasaki等人使用孟加拉国的“通话详单记录”数据来分类人们的生命模式，并理解与收入指数和城市接近度等相关的模式。

1.3 本文贡献

1.3 本文贡献

• 提出了一种仅基于数据驱动的社会属性分类方法，充分利用时空数据，无需任何调查数据或人口普查数据。
• 提出了一种数据挖掘模型，将个人旅行特征与相应区域特征相结合，以增强旅行轨迹中的信息含量，更好地描述人类旅行行为。
• 在模型中进行了覆盖600万人的昂贵实验，占北京常驻人口的1/3。分别以学生和城市游荡者为例，分别对应居住敏感和移动敏感，结果表明该模型在训练数据集完全扩展时可以带来显著的性能提升。

2. 相关工作

2.1 人类流动性

2.1 人类流动性

• 人类的轨迹显示出高度的时间和空间规律性。
• 研究人员在开发利用时空数据理解人类流动性和旅行的方法上取得了进展。

2.2 社会属性

2.2 社会属性

• 社会社区检测将用户划分为密集编织或高度相关的群体，每个群体与其他群体良好分离。
• 一些工作关注于寻找各种社区，而忽视了人们聚集在社区的主要原因是因为社会属性。

2.3 旅行模式

2.3 旅行模式

• 最近，有许多研究专注于旅行模式识别。
• 一些研究忽略了人们旅行模式与社会属性之间的紧密联系。

3. 方法论

3.1 框架概述

3.1 框架概述

• 框架的目标是建立一个基于大量时空数据的社交标签分类模型，将轨迹数据映射到个人社会属性。

3.2 数据处理

3.2 数据处理

• 数据预处理包括数据清洗、数据整合和数据转换等步骤。
• 数据清洗包括去除重复记录、处理缺失值和异常值等。
• 数据整合是将不同来源的数据合并到一起，以便进行统一分析。
• 数据转换是将原始数据转换为适合模型训练的格式，如将时间戳转换为日期时间格式，将地理位置转换为坐标格式等。

3.3 特征提取

3.3 特征提取

• 特征提取是从原始数据中提取出对模型训练有用的信息。
• 常用的特征包括时间特征、空间特征、行为特征和社交特征等。
• 时间特征包括访问时间、访问时长、访问频率等；空间特征包括访问地点、访问距离、访问区域等；行为特征包括访问类型、访问次数、访问顺序等；社交特征包括访问者的社交网络关系、访问者的社交属性等。

3.4 模型训练

3.4 模型训练

• 模型训练是将特征数据输入到模型中，通过训练算法优化模型的参数，以提高模型的预测准确性。
• 常用的模型包括机器学习模型和深度学习模型等。
• 机器学习模型包括支持向量机、决策树、随机森林等；深度学习模型包括卷积神经网络、循环神经网络、生成对抗网络等。

3.5 模型评估

3.5 模型评估

• 模型评估是对模型的预测准确性进行评估，以判断模型的性能。
• 常用的评估指标包括准确率、召回率、F1分数等。
• 准确率是指模型预测正确的样本数与总样本数的比例；召回率是指模型预测正确的正样本数与所有正样本数的比例；F1分数是准确率和召回率的调和平均值。

3.6 实验结果

3.6 实验结果

• 在模型中进行了覆盖600万人的昂贵实验，占北京常驻人口的1/3。
• 分别以学生和城市游荡者为例，分别对应居住敏感和移动敏感。
• 结果表明，该模型在训练数据集完全扩展时可以带来显著的性能提升。

4. 结论

• 本文提出了一种仅基于数据驱动的社会属性分类方法，充分利用时空数据，无需任何调查数据或人口普查数据。
• 提出了一种数据挖掘模型，将个人旅行特征与相应区域特征相结合，以增强旅行轨迹中的信息含量，更好地描述人类旅行行为。
• 在模型中进行了覆盖600万人的昂贵实验，占北京常驻人口的1/3。分别以学生和城市游荡者为例，分别对应居住敏感和移动敏感，结果表明该模型在训练数据集完全扩展时可以带来显著的性能提升。