CN115002159A - 一种面向稀疏群智感知***的社区分类和用户选择方法 - Google Patents

一种面向稀疏群智感知***的社区分类和用户选择方法 Download PDF

Info

Publication number
CN115002159A
CN115002159A CN202210630549.3A CN202210630549A CN115002159A CN 115002159 A CN115002159 A CN 115002159A CN 202210630549 A CN202210630549 A CN 202210630549A CN 115002159 A CN115002159 A CN 115002159A
Authority
CN
China
Prior art keywords
sensing
users
community
perception
sparse
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202210630549.3A
Other languages
English (en)
Other versions
CN115002159B (zh
Inventor
王健
詹秀颖
赵国生
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Harbin University of Science and Technology
Original Assignee
Harbin University of Science and Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Harbin University of Science and Technology filed Critical Harbin University of Science and Technology
Priority to CN202210630549.3A priority Critical patent/CN115002159B/zh
Publication of CN115002159A publication Critical patent/CN115002159A/zh
Application granted granted Critical
Publication of CN115002159B publication Critical patent/CN115002159B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/906—Clustering; Classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/01—Social networking
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/20—Services signaling; Auxiliary data signalling, i.e. transmitting data via a non-traffic channel
    • H04W4/21—Services signaling; Auxiliary data signalling, i.e. transmitting data via a non-traffic channel for social networking applications
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00—Reducing energy consumption in communication networks
    • Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Signal Processing (AREA)
  • Physics & Mathematics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • General Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Medical Informatics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

在稀疏移动群智感知中，一个关键问题是用户招募，即组织者希望在预算限制下招募数量有限的用户，通过这些用户在子区域采集的数据进行数据推理得到完整的感知地图。然而，由于用户移动性的可变，无法准确预测哪些子区域将被用户覆盖并更具价值。针对这个问题，本发明提出了一种面向稀疏群智感知***的社区分类和用户选择方法。首先，考虑结合用户的社交关系直接招募高质量的用户，采用类深度自动编码器非负矩阵分解方法进行社区检测，将感知用户分类；然后，基于感知任务的位置属性与社区中心进行匹配，决定招募的社区，再从社区中根据感知成本的限制招募用户；最后基于得到的感知数据进行感知地图重构。

Description

一种面向稀疏群智感知***的社区分类和用户选择方法
技术领域
本发明属于稀疏移动群智感知领域，具体涉及一种面向稀疏群智感知***的社区分类和用户选择方法。
背景技术
近年来，随着配备丰富传感器的智能手机的普及，移动群智感知(Mobile CrowdSensing, MCS)已经成为促进城市传感应用的一种很有前途的范例，如交通数据采集、空气质量检测和噪声检测。为了得到高质量的感知结果，在移动群智感知中采取的策略是尽可能的招募足够的参与者以提高区域覆盖度，但这一策略可能导致高昂的感知成本，因此，稀疏移动群智感知作为一个新的解决方案被提出，只有小部分城市分区被参与者感知，而其余分区的数据是基于感知的数据来推断的，由于感知子区域的稀疏性，将这种MCS范式称为稀疏MCS。
稀疏移动人群感知(Sparse MCS)是一种用于大规模细粒度城市监测应用的新范式，它从相对较少的区域收集传感数据，并推断未覆盖区域的数据。稀疏移动群体感知通过只招募少量用户从选定的子区域(即小区)感知数据，成为降低大规模区域整体状态监测的感知成本的一种有效范例。由于来自目标感测区域的不同小区(子区域)的感测数据可能会导致不同级别的推断数据质量，因此小区选择(即选择目标区域的哪些小区从参与者那里收集感测数据)是一个关键问题，其将影响为确保特定质量而需要收集的数据总量(即数据收集成本)。
在稀疏MCS中，一个关键问题是用户招募，即组织者希望在预算限制下招募数量有限的用户，他们可以从几个有用的子区域收集数据，这些子区域是数据推理的关键，从而为传感服务实现最高的数据准确性。然而，由于用户移动性的可变，无法准确预测哪些子区域将被用户覆盖。此外，在不知道子区域的真实值的情况下，很难预测哪些子区域更有助于复杂的数据推理。因此，在稀疏MCS中，招募最有效的用户是一项具有挑战性的任务。需要注意的是，感知数据往往拥有更加复杂且多变的时空关联，我们很难衡量各个感知区域的重要程度，导致感知区域选择问题越加复杂。除此之外，当前MCS主要的焦点集中在任务自身，而任务自身融合多维环境信息和社会属性，却很少考虑到用户的社会化信息，忽略了任务与节点的匹配度。基于此，本发明考虑结合用户的社交关系直接招募高质量的用户。
用户的社会关系较为稳定且具有一定的依赖性，在网络中形成一定的聚集现象，进而形成不同的社区。如图1所示，根据用户的好友关系进行社区分类，分类后的用户在虚拟空间上划分为4个不同的社区，同一社区中的用户具有相同的兴趣，对于感知任务的选择具有趋同性，但社区中的用户在地理位置上并不呈现出聚集的特点，而是分布于不同的子区域，在进行数据采集时，社区中处于不同子区域的用户上传该区域的数据，同时同一用户在不同的招募周期中会到达不同的子区域进行任务感知，因此，进行社区划分后的用户能够遍及更多的子区域且能提供更高质量的感测数据。进行任务分配时，将根据感知任务的位置属性来决定招募的社区用户。对社区中的用户进行处理，提取出社区的位置中心节点，将感知任务位置属性与划分好的社区中心位置进行匹配，从而决定对哪一个社区进行招募，再根据感知成本限制对选定的社区中的用户进行选择招募。
发明内容
针对上述现有的研究方法，以及存在的问题，本发明提出基于类深自动编码器非负矩阵分解的稀疏群智感知用户招募方法。从社交网络中可以看出，现实中用户社会属性通过凝聚和细化形成社区结构，即统一社区中的用户彼此紧密联系，彼此之间建立了一定的信任关系，因此社会关系比较固定。相反，不同社区的用户社会属性包括兴趣爱好、活动范围、交往联系等都相差很大。根据行为规则和交互频率，可以将不同的用户划分为不同的社区。稀疏MCS用户招募问题如图2所示分为三个阶段，即社区分类阶段、感知任务匹配阶段以及感知地图重构。
社区分类。本发明主要研究的社区分类是将感知用户通过社交关系进行划分，聚合成不同的社区。本发明采用类深度自动编码器非负矩阵分解方法，对用户之间的好友关系进行处理，得到用户的社区分类结果，便于下一阶段感知任务匹配。
感知任务匹配。社区分类的结果在一定程度上对于用户进行了一次筛选，同一个社区中的用户由于其好友关系，具有相同的兴趣与偏好，在任务选择方面具有趋同性。感知任务分配时可根据任务自身的位置特征值寻找可匹配的社区，最后再选取社区中合适的用户进行招募来完成感知任务。
感知地图重构。得益于前两个阶段的完成，选择出的用户在招募周期内到达子区域收集到感知数据，本发明利用部分收集到的子区域数据结合时空关系利用压缩感知算法推断出完整的感知地图以降低成本。
与现有技术相比，本发明的有益效果是：（1）提出稀疏移动群智感知用户招募新思路，考虑用户的社交关系对用户进行社区检测，将用户合理划分为不同的社区，基于分好类的社区对用户进行招募。（2）设计感知任务与社区分类中心节点进行匹配，挑选出与感知任务匹配的社区，选取社区中最合适的用户群进行招募，帮助任务发布者获得高质量的感知数据，提高了任务完成率。（3）通过用户提供的感知数据进行感知地图重构，节省了用户招募的数量，降低了感知成本。
附图说明
图1为用户招募示意图示意图。
图2为本发明的整体流程图。
图3为社区分类前的用户划分情况图。
图4为社区分类后的用户划分情况图。
图5为感知任务匹配示意图。
图6为感知地图重构示意图。
具体实施方式
本发明采用类深度编码器非负矩阵分解方法进行社区分类，如图3所示，社区分类前用户分散杂乱，在经过社区检测算法进行分类后，具有相同兴趣偏好的用户通过社交关系的处理聚合在同一类社区中，如图4所示。
现有社区划分算法存在划分社区的特征因子单一以及缺乏对社会关系的具体量化等问题，且考虑到现实世界网络复杂多样的拓扑结构，原始网络和社区成员空间之间的映射很可能包含相当复杂的层次信息，这是传统的基于浅层NMF的方法无法解释的。针对这些问题，本发明采取类深度自动编码非负矩阵分解的方法进行社区分类。
基于NMF的社区检测算法通常将用户间的社交关系即邻接矩阵B进行分解，分解成为映射矩阵X和社区成员矩阵Y，具体的分解公式为：B≈XY。该公式表明能从用户间的社交关系学习到映射矩阵X和社区成员资格矩阵Y，但显式生活中的社区网络结构一般十分复杂，映射矩阵X中包含着相对复杂的层次结构，因此采用深度NMF把映射矩阵X再进行矩阵分解，以学习到其中隐藏的层次结构。
将社交网络邻接矩阵B分成p+1个矩阵：B≈X 1 X 2 …X p Y p 。其中，Y p ∈R k×n ，X i ∈R ri-1×ri (1≤i≤p)，同时n=r 0 ≥r 1 ≥…≥r p-1 ≥r p =k。同时也可将B具体分解为：Y p-1 ≈X p Y p ，…，Y 2 ≈ X 3 …X p Y p ，Y 1 ≈X 2 …X p Y p 。通过上述公式，得到每一层的Y i ，进而得到更好的Y p ，构建以下目标函数，计算X 1 ,X 2 ,…,X p ,Y p 等矩阵：min Xi,YpLD =||B-X 1 X 2 …X p Y p || F 2 ，s.t.Y p ≥0，X i ≥0，其中i= 1,2,…,p。
与深度自动编码器类似，编码器组件试图利用在中间层捕获的隐式低维隐藏属性将原始网络转换为社区成员空间。每个中间层解释不同粒度级别的节点之间的相似性。解码器组件与编码器组件对称。它试图借助编码器组件中学习的分层映射，从社区成员空间重构原始网络。与传统的基于NMF的社区检测方法只考虑解码器组件的损失函数不同，DANMF将编码器组件和解码器组件集成到一个统一的损失函数中。
编码器组件将网络转换为社区成员空间。解码器组件从社区成员空间重构网络。编码器组件的目标函数：min Xi,YpLE =||Y p -X p T …X 2 T X 1 T B|| F 2 ，s.t.Y p ≥0，X i ≥0，其中i=1,2,…,p。统一的损失函数：min Xi,YpL =L D +L E +wL reg =||B-X 1 X 2 …X p Y p || F 2 +||Y p -X p T …X 2 T X 1 T B|| F 2 +wtr (Y p LY p T )，s.t.Y p ≥0，X i ≥0，其中i=1,2,…,p。其中，w为正则化参数，L为拉普拉斯矩阵。将社区矩阵X i ，特征矩阵Y i ，社区成员资格矩阵Y p 根据更新规则进行迭代更新直至收敛。
本发明基于感知任务的位置特征进行与社区匹配的示意图如图5所示。在将用户合理划分为不同的社区后，计算感知任务与社区行为模式特征值的匹配度，根据结果从匹配的社区中挑选用户进行招募。一个感知任务可以定义为一个元组（任务内容，位置），其中任务内容指的是各种的感知操作，例如空气质量监测，温度监测，感知噪音，拍一张照片，拍一段视频等。位置则是感知任务区域的中心坐标和感知半径。
本发明考虑根据感知任务的位置特征来进行感知任务与社区的匹配。具体方法是首先根据感知任务的位置属性来决定感知任务的分发，将感知任务位置属性与划分好的社区的中心进行匹配，判断是否包含在社区的半径范围内，其次挑选社区中分类后的用户进行感知任务。
首先根据用户的历史轨迹数据通过经纬度计算出用户之间的距离，用户u 1 的经纬度坐标为(a 1, b 1 )，用户u2的经纬度坐标为(a 2 , b 2 )，距离d计算如下：haversin(d/R)= haversin(b 2 -b 1 )+cos(b 1 )cos(b 2 )haversin(a 2 -a 1 )。其中，R为地球半径，取平均值6371km。在划分为同个社区的用户集中选取一个用户，计算该用户与其余用户之间的距离，将得到的距离进行排序，比较结果，将超出阈值ξ的用户筛出，在计算社区中心时不纳入这个节点。
其次，进行社区中心点的计算。考虑用户的经纬度坐标，先将经纬度坐标从度数转化为弧度：a 1 =a 1 ×PI/180，b 1 =b 1 ×PI/180。再将经纬度坐标转化为第一个位置的笛卡尔坐标：X 1 =cos(a 1 )×cos(b 1 )，Y 1 = cos(a 1 )×sin(b 1 )，Z 1 =sin(a 1 )。将用户的位置权重均设置为1，并将其余用户的坐标皆按照上述公式进行转换。所有位置的总权重为n，x=(x 1 +x 2 +…+x n )/n，y=(y 1 +y 2 +…+y n )/n，z=(z 1 +z 2 +…+z n )/n。得到平均x, y, z。将平均x, y, z坐标转换为经纬度：lon=atan2(y, x)，hyp=sqrt(x×x+y×y)，lat=atan2(z, hyp)。最后，将上述经纬度转换为度数：lat=(lat×180)/PI，lon=(lon×180)/PI。所得即为社区中心点的坐标。
根据需要收集的感知数据确定感知任务h j 所处的位置与感知半径r，确定出感知范围作为感知任务的特征值。首先比较多个社区中心点与感知任务h j 位置的距离，选取距离小的社区作为备选；其次比较感知范围半径是否在社区感知范围内，若大于社区感知范围半径则从备选社区中删去此社区，最后留下来的社区作为最优选择，在预算约束下对社区中的用户进行选择。
本发明基于压缩感知对感知地图重构，如图6所示。在稀疏移动群智感知中招募部分子区域的用户，并根据招募到的用户提供的数据对其余子区域的数据进行推断，得到一个接近真实环境矩阵的推断矩阵。其中进行数据推断的算法，典型的代表为压缩感知。本文采取压缩感知的方法对数据进行推断，以下是对压缩感知的介绍。
考虑部分收集的感知矩阵F’，压缩感知基于低秩属性重建完整的推断出的感知矩阵F * ：minrank(F * )，s.t., F * 。S=F’。其中，S为子区域收集矩阵。S[i, j]表示是否选择了真实环境矩阵中对应的区域进行了数据收集，如果在周期j中选择了子区域i进行感知，则S [i, j]=1，否则为S[i, j]=0。由于其非凸性直接求解这一问题是困难的，基于奇异值分解，例如F * =LR T 以及压缩感知理论，建立了一个优化问题，将最小化秩转化为最小化L和R的Frobenius范数，公式如下：minw(||L|| F 2 +||R|| F 2 )+||LR T 。S-F’|| F 2 。其中，w用在秩最小化和精度适应度中进行权衡。为了得到最优的F * ，使用交替的最小二乘法迭代地估计L和R(F * = LR T )。
为了更好的利用感知数据中的时空相关性，将显式时空相关性引入到压缩感知中，优化函数如下：minw r (||L|| F 2 +||R|| F 2 )+ ||LR T 。S-F’|| F 2 +w s ||G(LR T )|| F 2 +w t ||(LR T ) H T || F 2 。其中，G和H分别是空间和时间约束矩阵，G矩阵控制同一时刻不同子区域的相关性，H矩阵控制同一感知区域不同时刻的数据相关性，w r, w s, w t 来平衡优化问题中不同元素的权重。
上述实施方法为本发明较佳的实施方式，但本发明的实施方式并不受上述方法的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。

Claims (4)

1.一种面向稀疏群智感知***的社区分类和用户选择方法，其特征在于，包括社区分类模块，感知任务匹配模块，感知地图重构模块。
2.根据权利要求1所述的面向稀疏群智感知***的社区分类和用户选择方法，其特征在于，通过社区分类模块，利用类深度自动编码器非负矩阵分解方法将感知用户通过社交关系进行划分，聚合成不同的社区。
3.根据权利要求1所述的面向稀疏群智感知***的社区分类和用户选择方法，其特征在于，通过感知任务匹配模块进行感知任务分配，通过感知任务自身的特征值寻找可匹配的社区，最后再选取社区中合适的用户进行招募来完成感知任务。
4.根据权利要求1所述的面向稀疏群智感知***的社区分类和用户选择方法，其特征在于，通过感知地图重构模块得到完整的感知地图，利用选取出的感知用户在招募周期内到达子区域收集感知数据，通过压缩感知算法推断出完整的感知地图。
CN202210630549.3A 2022-06-06 2022-06-06 一种面向稀疏群智感知***的社区分类和用户选择方法 Active CN115002159B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210630549.3A CN115002159B (zh) 2022-06-06 2022-06-06 一种面向稀疏群智感知***的社区分类和用户选择方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210630549.3A CN115002159B (zh) 2022-06-06 2022-06-06 一种面向稀疏群智感知***的社区分类和用户选择方法

Publications (2)

Publication Number Publication Date
CN115002159A true CN115002159A (zh) 2022-09-02
CN115002159B CN115002159B (zh) 2023-10-03

Family

ID=83033221

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210630549.3A Active CN115002159B (zh) 2022-06-06 2022-06-06 一种面向稀疏群智感知***的社区分类和用户选择方法

Country Status (1)

Country Link
CN (1) CN115002159B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115964626A (zh) * 2022-10-27 2023-04-14 河南大学 一种基于动态多尺度特征融合网络的社区检测方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103533078A (zh) * 2013-10-24 2014-01-22 无锡赛思汇智科技有限公司 一种生成地图的方法及***
US20140343984A1 (en) * 2013-03-14 2014-11-20 University Of Southern California Spatial crowdsourcing with trustworthy query answering
CN107563616A (zh) * 2017-08-17 2018-01-09 上海大学 一种用户任务分配和激励策略的群体感知***和方法
CN109347924A (zh) * 2018-09-20 2019-02-15 西北大学 一种基于群智感知的推荐方法
CN110061863A (zh) * 2019-03-25 2019-07-26 浙江理工大学 一种稀疏网络中基于公平性的分布式多任务群智感知方法
CN113191023A (zh) * 2021-05-28 2021-07-30 中国人民解放军国防科技大学 群智感知的任务分配和用户招募模型交叉验证方法及***
CN114745465A (zh) * 2022-03-24 2022-07-12 马斌斌 智能手机交互式噪声自先验感知分析***

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140343984A1 (en) * 2013-03-14 2014-11-20 University Of Southern California Spatial crowdsourcing with trustworthy query answering
CN103533078A (zh) * 2013-10-24 2014-01-22 无锡赛思汇智科技有限公司 一种生成地图的方法及***
CN107563616A (zh) * 2017-08-17 2018-01-09 上海大学 一种用户任务分配和激励策略的群体感知***和方法
CN109347924A (zh) * 2018-09-20 2019-02-15 西北大学 一种基于群智感知的推荐方法
CN110061863A (zh) * 2019-03-25 2019-07-26 浙江理工大学 一种稀疏网络中基于公平性的分布式多任务群智感知方法
CN113191023A (zh) * 2021-05-28 2021-07-30 中国人民解放军国防科技大学 群智感知的任务分配和用户招募模型交叉验证方法及***
CN114745465A (zh) * 2022-03-24 2022-07-12 马斌斌 智能手机交互式噪声自先验感知分析***

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
向罗勇;陈文;张陆洋;: "联合区域热度和社交属性感知的移动群智感知参与者选择机制", 电信科学, no. 02 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115964626A (zh) * 2022-10-27 2023-04-14 河南大学 一种基于动态多尺度特征融合网络的社区检测方法

Also Published As

Publication number Publication date
CN115002159B (zh) 2023-10-03

Similar Documents

Publication Publication Date Title
Song et al. A novel convolutional neural network based indoor localization framework with WiFi fingerprinting
Ahmad et al. Toward modeling and optimization of features selection in Big Data based social Internet of Things
CN111756848B (zh) 移动边缘环境下基于联邦学习和移动感知的QoS优化方法
CN108804551B (zh) 一种兼顾多样性与个性化的空间兴趣点推荐方法
Chang et al. A graph-based QoS prediction approach for web service recommendation
CN111222847B (zh) 基于深度学习与非监督聚类的开源社区开发者推荐方法
Mo et al. Event recommendation in social networks based on reverse random walk and participant scale control
CN114385376B (zh) 一种异构数据下边缘侧联邦学习的客户端选择方法
CN105024886B (zh) 一种基于用户元数据的快速Web服务QoS预测方法
CN115002159A (zh) 一种面向稀疏群智感知***的社区分类和用户选择方法
CN113344464A (zh) 面向移动群智感知***的任务与用户潜在关系挖掘方法
Cao et al. Points-of-interest recommendation algorithm based on LBSN in edge computing environment
Liu et al. Poi recommendation algorithm based on region transfer collaborative filtering
Yin et al. Next POI recommendation with dynamic graph and explicit dependency
CN106227965B (zh) 一种顾及时空分布非平稳特征的土壤有机碳空间抽样网络设计方法
Xu et al. Deep convolutional recurrent model for region recommendation with spatial and temporal contexts
CN112954624B (zh) 基于手机信令大数据的混合土地利用形态估算方法
Huan et al. Indoor location fingerprinting algorithm based on path loss parameter estimation and bayesian inference
CN112508408A (zh) 一种边缘计算下无线资源管理指标的映射模型构建方法
Zhu et al. SynMob: creating high-fidelity synthetic GPS trajectory dataset for urban mobility analysis
CN110837540A (zh) 一种空间位置数据的处理方法及***
Yuan Representing spatiotemporal processes to support knowledge discovery in GIS databases
Marjit Aggregated similarity optimization in ontology alignment through multiobjective particle swarm optimization
Du et al. Urban building function classification based on multisource geospatial data: a two-stage method combining unsupervised and supervised algorithms
Su et al. Point-of-interest recommendation based on geographical influence and extended pairwise ranking

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant