面向用戶行為理解的移動通訊數(shù)據(jù)可視分析

蔣宏宇, 吳亞東,2*, 趙韋鑫, 唐楷(. 西南科技大學(xué) 計算機科學(xué)與技術(shù)學(xué)院, 四川 綿陽 6200；2. 西南科技大學(xué) 四川省軍民融合研究院, 四川 綿陽6200)

面向用戶行為理解的移動通訊數(shù)據(jù)可視分析

蔣宏宇1, 吳亞東1,2*, 趙韋鑫1, 唐楷1
(1. 西南科技大學(xué) 計算機科學(xué)與技術(shù)學(xué)院, 四川 綿陽 621010；2. 西南科技大學(xué) 四川省軍民融合研究院, 四川 綿陽621010)

通信數(shù)據(jù)包含人類活動的時空以及社會關(guān)系等信息,對人類行為分析有重要的價值. 為了幫助分析者對用戶的行為進行分析和理解,構(gòu)建了從通信數(shù)據(jù)中探索用戶的時空、社交等信息以分析用戶行為的可視化流程,旨在理解用戶的行為模式并通過行為的對比發(fā)現(xiàn)用戶的社會角色以及用戶之間的真實社交關(guān)系,通過迭代式交互過程,對用戶不同時段的行為進行有效的理解和分析. 在此基礎(chǔ)上，構(gòu)建了用戶行為可視分析系統(tǒng),采用半年的通信數(shù)據(jù)對該方法以及系統(tǒng)進行評估,結(jié)果顯示，本方法能夠有效理解個人行為、識別用戶之間的關(guān)系.

用戶行為；時空數(shù)據(jù)；稀疏軌跡

移動通信技術(shù)的發(fā)展不但改變了人們傳統(tǒng)的生活和工作方式,亦大大影響了人們的觀念和思維方式.電信企業(yè)之間的競爭推進了移動業(yè)務(wù)的創(chuàng)新和服務(wù)質(zhì)量的提高.移動設(shè)備持有量迅速增加,手持設(shè)備通信占據(jù)越來越重要的地位,與人們的生活相關(guān)性亦越來越強.通信網(wǎng)絡(luò)數(shù)據(jù)中包含了社交信息和時空信息,通過對通信網(wǎng)絡(luò)數(shù)據(jù)進行分析,可有效掌握用戶的行為特點、社會角色、社交網(wǎng)絡(luò)、用戶之間的真實關(guān)系等特征,據(jù)此服務(wù)提供商便可針對不同用戶群體、用戶個體進行精準營銷,完成較人性化的消費推薦. 安全部門也可據(jù)此對個人行為進行取證和分析.

1 相關(guān)工作

1.1 用戶行為分析

CHEN等[1]使用微博位置標記數(shù)據(jù)構(gòu)建了可視分析系統(tǒng),幫助用戶理解和分析移動信息.KRüGER等[2]分析了用戶目的地的Twitter數(shù)據(jù),并通過其自行車軌跡提取地圖中的關(guān)鍵標簽.在軌跡語義方面也有諸多研究，例如,ANDRIENKO等[3]將位置軌跡轉(zhuǎn)換為語義軌跡.CHU 等[4]通過使用文本分析中的LDA算法提取出租車數(shù)據(jù)的主題.每個主題都在一定概率下包含一些道路,每個出租車軌跡均具有一定概率，屬于一個話題.GONZLEZ等[5]發(fā)現(xiàn)人的運動模式是有規(guī)律的，個體運動模式與個體概率分布模型具有很高的相似性,認為人們的運動軌跡在不久的將來會重演.ZHU等[6]著眼于用戶位置數(shù)據(jù)中經(jīng)常出現(xiàn)的地點, 并根據(jù)出現(xiàn)時間推測用戶所處的位置是家還是公司.譚鈞元等[7]提出用生活熵概念作為用戶移動軌跡規(guī)律程度的度量, 用個人每天同一時段移動序列的算法彌補稀疏數(shù)據(jù)采樣不足的缺點.SHAD等[8]則結(jié)合地理信息與用戶提供的上下文語義信息增加用戶行為預(yù)測的準確性.

1.2 通話數(shù)據(jù)分析

對蜂窩網(wǎng)絡(luò)數(shù)據(jù)的分析一直是研究領(lǐng)域的熱點.CALABRESE 等[9]和PULSELLI 等[10]對米蘭進行了案例分析，得到的用戶活動的強度和時空特征可以通過對基站的呼叫量進行可視化表示. READES 等[11]對基站的呼叫量與其附近的公共活動的相關(guān)性進行了研究.另外,針對用戶的行為痕跡, 文獻[11]對150萬人15個月的移動數(shù)據(jù)進行了分析,發(fā)現(xiàn)每個人的行為痕跡是不同的,通過行為痕跡能夠識別人. 文獻[12]的研究表明，人們流動模式的基本相似會對流行病預(yù)防、應(yīng)急響應(yīng)以及城市規(guī)劃有所啟發(fā)和幫助. WU等[13]設(shè)計了一個名為TelCoVis的可視分析系統(tǒng),旨在幫助分析師利用其領(lǐng)域知識和電信數(shù)據(jù)深入了解城市用戶的移動共現(xiàn). 此外,GONZLEZ等[14]總結(jié)了長時間大規(guī)模人群的手機通話的分析流程. ANDRIENKO等[15]設(shè)計了一個可視分析系統(tǒng)，對城市的屬性進行了預(yù)測.另一方面,ARIETTA等[16]基于社交網(wǎng)絡(luò)的分析思想對基站網(wǎng)絡(luò)的流量進行了分析和識別.

有別于以上工作,本文用基站序列相似性衡量用戶相似程度,并對用戶在基站上的活動痕跡進行可視化,旨在幫助分析者識別用戶行為模式和用戶之間的關(guān)系.

2 設(shè)計依據(jù)

2.1 數(shù)據(jù)來源

數(shù)據(jù)由M市某匿名移動運營商提供.該運營商在M市共有2 032個基站包含9 777個天線.通話記錄由手機用戶接聽電話時產(chǎn)生的,每次通話將產(chǎn)生一個包含主被叫用戶、開始時間、持續(xù)時間和與該事件相關(guān)聯(lián)的基站位置的詳細通話記錄.該數(shù)據(jù)包含從2015年3月1日到2015年8月8日150余天,共3 000萬條通話記錄,涉及1 632 732個用戶和M市2.5萬本地用戶.

2.2 數(shù)據(jù)描述與統(tǒng)計

使用通話數(shù)據(jù)進行用戶行為的研究,需要考慮以下數(shù)據(jù)特征：

用戶行為的不確定性： 用戶通話屬于隨機事件,易導(dǎo)致數(shù)據(jù)密度變化大、采樣率不穩(wěn)定、用戶軌跡位置不完整等情況發(fā)生.

用戶位置的不確定性： 在通話記錄中,承載用戶本次通話的基站被記錄，通過基站的ID以及基站的信號覆蓋面積，可推測用戶通話的大致位置，但具有很大的不確定性.

用戶以及記錄數(shù)據(jù)龐大： 由于數(shù)據(jù)周期較長,數(shù)據(jù)中包含所有注冊為M市的用戶,用戶數(shù)量龐大,產(chǎn)生的通話記錄規(guī)模較大.

基于這些數(shù)據(jù)特征,將從以下幾個方面對用戶行為進行分析：

用戶移動軌跡： 作為最基本的需求,用戶的地理位置用來表達用戶長時間的移動特征、移動頻率、移動趨勢等特征,需要將其展示在地圖中.

用戶行為模式： 用戶在不同基站中呈現(xiàn)的不同的行為模式以及用戶的領(lǐng)域路徑,根據(jù)用戶擁有的領(lǐng)域路徑,能夠識別用戶的社會角色和行為模式.

用戶社交關(guān)系： 用戶社交關(guān)系作為用戶一個重要的屬性，不僅能幫助分析人員推斷用戶之間的關(guān)系，還能根據(jù)用戶自我網(wǎng)絡(luò)上的節(jié)點屬性推測其自身屬性，聯(lián)系密切的用戶其社會角色也相近.此外，用戶之間的關(guān)系是可以傳遞和推理的，例如A與B為親人關(guān)系，B與C也為親人關(guān)系，毋庸置疑A與C也為親人關(guān)系.

根據(jù)數(shù)據(jù)特征和分析任務(wù),設(shè)計了使用通話數(shù)據(jù)分析用戶行為的流程，如圖1所示.數(shù)據(jù)清洗并處理后抽取用戶通話關(guān)系以及軌跡,通過可視化模型描述用戶行為以及用戶之間的關(guān)系,分析者在交互過程中能夠完成不同的分析任務(wù).

圖1 用戶行為分析流程圖Fig.1 The analysis flow of user behavior analysis

3 用戶行為關(guān)系

用戶行為分為社交行為和移動行為,社交行為表示用戶之間的通話關(guān)系;移動行為表示用戶在基站間的移動.為了分析個體行為以及個體之間的關(guān)系,將從用戶緊密度以及用戶相似度兩方面對用戶之間的關(guān)系進行討論.

3.1 社交緊密度

移動用戶之間的通信行為隱藏著用戶之間的社會關(guān)系,通過對用戶之間大量以及長時間的通話數(shù)據(jù)進行分析和挖掘,能夠發(fā)現(xiàn)用戶之間長期穩(wěn)定的社會關(guān)系.人與人之間的社會關(guān)系較為復(fù)雜,具有多樣性、隨機性和不確定性,聯(lián)系較多且較密集的用戶對不能說明兩者之間的關(guān)系絕對親密,相對地很少進行通話交流的用戶對也不能說明他們之間沒有親密關(guān)系.作為用戶關(guān)系的初步分析,能夠通過用戶的聯(lián)系數(shù)量、聯(lián)系的間隔以及聯(lián)系時段等因素對用戶對的關(guān)系進行評估.為了處理人與人之間這種復(fù)雜多樣的關(guān)系,并且更為真實地反映用戶之間聯(lián)系的穩(wěn)定性和持久性,本文采用不同的時間窗口對數(shù)據(jù)進行聚合,分析者能夠?qū)@3個重要的元素進行多層次查看和理解.

3.2 基站使用模式相似度

用戶在長時間的活動中會在不同的基站上留下使用痕跡,通過總結(jié)使用痕跡,可知道用戶對于基站的使用模式.例如在公司附近的基站會留下工作時間使用多、休息時間使用少，工作日使用頻率高、休息日使用頻率低的痕跡；而在家附近的基站會留下相反的痕跡.

為了計算用戶在單個基站上使用模式的相似度,需要計算每個用戶在基站上各時段的使用頻率：

(1)

有了每個用戶在基站上各個時段的使用頻率,可通過此頻率對用戶之間的基站使用模式相似度進行計算：

(2)

式(2)中,N表示用戶i和用戶j訪問過的基站的集合,如果該基站只有其中1個用戶訪問過,則他們在該基站上的相似度為0.

3.3 軌跡相似度

為了找到和用戶關(guān)系相近的用戶,使用軌跡相似度對用戶相似性進行衡量,用戶的移動軌跡可以用基站序列表示,利用該基站序列,對用戶相似度進行計算.

3.3.1 基站權(quán)重

基站權(quán)重是對軌跡中基站的普遍重要性的度量,基站權(quán)重的計算公式為

(3)

式(3)中，b表示基站, |P|為用戶訪問所有基站次數(shù)的總和,Tu表示用戶u經(jīng)過的所有基站的集合, |{u：b∈Tu}|表示用戶訪問基站Tu的次數(shù).

3.3.2 時間窗口

為了對時間進行統(tǒng)一,針對稀疏軌跡需要設(shè)置時間窗口對基站序列進行分割,設(shè)窗口間隔為1 h,基站序列BS=b1b2b3…bi…bn，對應(yīng)的時間序列T=h1h2h3…h(huán)i…h(huán)n,則分割后的基站序列為{BST}.

3.3.3 主導(dǎo)基站序列

經(jīng)過時間窗口劃分后,每個時間窗口下可能包含多于1個基站,于是需要從中選擇1個最能代表這個時間窗口的基站.遍歷時間窗口中的基站,找到權(quán)重最大的基站作為時間窗口的主導(dǎo)基站,基站序列{BST}轉(zhuǎn)為主導(dǎo)基站序列.

3.3.4 相似度計算

(4)

SIMx,y=1-dx,y.

(5)

用戶主導(dǎo)基站序列的相似度通過計算用戶所有的基站序列之間的相似度得到.用戶u和v之間的相似度為

(6)

式(6)中，|Tu|和|Tv|分別表示用戶u和v的主導(dǎo)基站序列中基站的數(shù)目.如果用戶u和v的相似度越大,說明2個用戶訪問的主導(dǎo)基站序列越相似,那么2個用戶的生活習(xí)慣越相似.根據(jù)該相似度,設(shè)置相應(yīng)閾值便可篩選出相似用戶.

4 可視化設(shè)計

4.1 用戶痕跡可視化

如果簡單地對用戶長時間的移動軌跡進行可視化,觀察者只能得到用戶達到該基站的熱度及用戶在基站之間轉(zhuǎn)移的大致信息.由于軌跡點重復(fù)以及軌跡相交等原因,易造成圖元重疊,致使很多有效信息被遮蔽.為了減少這種現(xiàn)象的發(fā)生,應(yīng)盡可能對線條的使用進行節(jié)制、對用戶軌跡進行描述,使用一種新的可視化隱喻對用戶在基站上留下的痕跡進行可視化.如圖2所示, 多時間窗口聚集環(huán)(MWAR)分為3層,分別為全局時間線、各小時熱度、一周中各天熱度,在全局時間線中,環(huán)狀分布圖描述了某個用戶在此基站上全局時間內(nèi)的使用熱度,小紅點表示用戶通話持續(xù)時間的異常值(通話時間大于平均值的2倍或者小于平均值的2倍), 小時熱度折線圖描述某用戶在此基站上不同時間的使用熱度.此外,最內(nèi)層為工作日通話次數(shù)比例弦圖,使用弦內(nèi)角表示用戶某天的通話熱度占所有工作日的比例.由此,使用MWAR對用戶長時間的基站痕跡進行可視化,還能夠?qū)τ脩舻纳鐣巧M行識別,例如學(xué)生、職員、退休人員等,會在多時間窗口聚集環(huán)中呈現(xiàn)出不同的模式,系統(tǒng)用戶能夠相對容易地發(fā)現(xiàn)其社會角色.

圖2 多時間窗口聚集環(huán)(MWAR)模型Fig.2 Multi windows aggregation ring(MWAR)

4.2 用戶行為對比

為了對比用戶之間的行為模式以及軌跡的相似度,需要構(gòu)建一個對比窗口來支持用戶選擇特定的時間窗口以查詢特定用戶以及具有相似行為模式的用戶,并且允許用戶根據(jù)軌跡、領(lǐng)域路徑和MWAR對不同的用戶行為進行動態(tài)對比.另一方面,用戶能夠通過MWAR對比用戶的行為模式.此外,用戶的時空距離、通話模式等特征可以用來發(fā)現(xiàn)用戶的真實關(guān)系.本文使用改進的甘特圖(見圖3)對2個用戶的時空特征進行可視化,用甘特圖來描述用戶位置的轉(zhuǎn)移,Y軸表示用戶到市中心的歐式距離,X軸表示時間,每一條甘特線描述1次通話事件,甘特線的起始位置表示通話開始時間,終止位置表示下次通話的開始時間(如果使用通話結(jié)束時間作為甘特線的終止位置,會導(dǎo)致繪制的圖元太小，難以觀察.因考慮其連續(xù)性,選用下次通話的開始時間作為終止位置).使用不同顏色背景映射星期,其中灰色曲線用來描述用戶之間的地理距離.另外,如果2個用戶之間存在通話,將這次通話用小圓標記在主叫用戶行為線上,小圓的半徑映射通話持續(xù)時間的對數(shù)值.

圖3 用戶行為甘特圖Fig.3 The Gantt chart of user behavior

4.3 異常發(fā)現(xiàn)

異常行為對于描述用戶行為有著不可或缺的價值.異常行為分2種： 絕對異常和相對異常.絕對異常指用戶的行為不符合普通人的模式,這種異常很容易被發(fā)現(xiàn).例如,用戶在24 h不停地規(guī)律地撥打電話,對于普通人來講這樣的行為是不可能發(fā)生的,定義為絕對異常.相對異常,指用戶相對于自己平時的模式發(fā)生了較大的變化,這種行為模式就是用戶的相對異常.絕對異常相對于相對異常更容易被發(fā)現(xiàn),通過MWAR能夠在短時間內(nèi)發(fā)現(xiàn)絕對異常,而相對異常需要用戶在迭代的過程中逐漸對用戶行為模式進行挖掘和總結(jié)后才能被發(fā)現(xiàn).

5 實驗結(jié)果

基于以上理論與技術(shù),對M市某運營商2.5萬用戶進行了分析.由一對相似度最高的用戶在10個顯著基站上歷時5個月產(chǎn)生的相似度數(shù)據(jù)繪制的統(tǒng)計箱式圖如圖4(a)所示,發(fā)現(xiàn)用戶之間的相似度成指數(shù)分布.此外,從結(jié)果中選擇相似度最高的2個用戶以及最常訪問的10個基站計算使用模式相似度,發(fā)現(xiàn)用戶在不同時間段呈現(xiàn)較為穩(wěn)定的相似度.圖4(a)為用計算結(jié)果繪制的箱式圖,描述了用戶U45980和U10910在3—8月的相似度差異.

圖4 用戶相似度分布Fig.4 The user similarity distribution

在此基礎(chǔ)上,構(gòu)建了用戶行為理解可視分析系統(tǒng),系統(tǒng)設(shè)計如圖5所示,在系統(tǒng)的左邊分別是MWAR參數(shù)調(diào)節(jié)窗口、相似用戶推薦列表、基站推薦列表、用戶熱度時間線、用戶軌跡地圖以及用戶通話行為甘特圖.通過上文的用戶相似度計算方法計算所有用戶與分析者感興趣的用戶之間的相似度,排序后在列表中顯示,在用戶選擇興趣用戶和對比用戶之后,更新基站列表,列表由經(jīng)當(dāng)前興趣用戶和對比用戶之間的基站相似度排序后的基站組成.

圖5 用戶行為可視分析系統(tǒng)設(shè)計Fig.5 Prototype design of user behavior visual analytic system

5.1 社會角色的發(fā)現(xiàn)

通過觀察與分析用戶軌跡以及用戶在特定基站上留下的痕跡,從中判斷用戶的社會角色.如圖6(a)所示,用戶的軌跡相對比較規(guī)律,在一個月內(nèi)沒有離開過M市,查看他在這個月訪問頻率最高的2個基站的詳細使用信息可以發(fā)現(xiàn),所有的通話時間都在工作日,訪問模式如圖6(b)所示,很明顯,這里是該用戶的上班地點.頻率第2的基站如圖6(c)所示,無論是工作日還是休息日都有類似的訪問量,并且大部分都是晚上訪問,于是可以推斷這里是他的住所.

圖6 U67543用戶2015年8月的軌跡以及該段時間在基站B3610和B1249上的詳細使用模式Fig.6 The trace of user U67543 during August 2015, and the detailed usage patterns in this period at BSs B3610 and B1249

5.2 社交關(guān)系的發(fā)現(xiàn)

通過分析與目標用戶相聯(lián)系的關(guān)聯(lián)用戶,能夠推斷用戶之間的社交關(guān)系.如圖7所示,(a1)(a1)是2個用戶的軌跡對比,發(fā)現(xiàn)他們有一個頻繁訪問的共同基站,對該基站進行詳細分析,發(fā)現(xiàn)這2個人都在工作時間對基站進行了大量訪問(如圖7(b1)(b2)所示),并且在工作時間還有少量電話交流,可以初步判定他們是同事或者家人；再分析兩者的甘特圖, 發(fā)現(xiàn)2人晚上訪問的基站并不同, 于是排除他們的家人關(guān)系,確定他們?yōu)橥?

圖7 基站B65365使用模式相似度為0.67的2個用戶Fig.7 A pair of users who have 0.67 similarity score in BS B65365

5.3 相似行為用戶分析

擁有相似行為模式的用戶能夠通過本文的相似度算法進行識別.如圖8所示,(a) 是分析者感興趣的用戶A, (b)、(c)分別呈現(xiàn)了與用戶A相似度為0.87和0.65的用戶B和C,通過查看詳細信息發(fā)現(xiàn),用戶A和B之間有緊密的通話聯(lián)系,用戶A和B雖然有相似的行為規(guī)律,但彼此之間并無電話來往,這尚不能排除他們之間無關(guān)系.

圖8 用戶A以及與A相似度分別為0.87和0.65的用戶B,CFig.8 The traces of users B,C who have similarity score 0.87 and 0.65 with A

6 結(jié) 語

提出了一個用于描述移動用戶行為以及社會關(guān)系分析和理解的方法,并用新的方法計算用戶之間的相關(guān)度,在此基礎(chǔ)上構(gòu)建面向用戶行為理解的可視分析系統(tǒng),該系統(tǒng)能夠?qū)τ脩絷P(guān)系、社會角色等進行交互式分析.最后，通過實驗證明了此方法以及系統(tǒng)的可行性.

[1] CHEN S, YUAN X, WANG Z, et al. Interactive visual discovering of movement patterns from sparsely sampled geo-tagged social media data[J].IEEETransactionsonVisualization&ComputerGraphics, 2016, 22(1)： 270.

[2] KRüGER R, LOHMANN S, THOM D, et al. Using social media content in the visual analysis of movement data [J].ResearchMicrosoftCom, 2012, 97(11)： 31-32.

[3] ANDRIENKO G, ANDRIENKO N, WROBEL S. Visual analytics tools for analysis of movement data [J].ACMSIGKDDExplorationsNewsletter, 2007, 9(2)： 38-46.

[4] CHU D, SHEETS D A, ZHAO Y, et al. Visualizing hidden themes of Taxi movement with semantic transformation [C]//VisualizationSymposium(PacificVis). Piscataway： IEEE Press, 2014： 137-144.

[6] ZHU Y, ZHANG Y, SHANG W, et al. Trajectory enabled service support platform for mobile users’ behavior pattern mining [C]//MobileandUbiquitousSystems：NETWORKING&Services. Piscataway： IEEE Press, 2009： 1-10.

[7] 譚鈞元, 宋國杰, 謝昆青, 等. 一種有效的基于生活熵的移動用戶分類算法 [J].計算機研究與發(fā)展2009, 46： 433-438.

TAN J Y , SONG G J , XIE K Q , et al. An effective mining method for mobile subscribers based on life entropy [J].JournalofComputerResearchandDevelopment, 2009, 46： 433-438.

[8] SHAD S A .移動用戶軌跡與行為模式挖掘方法研究[D]. 合肥： 中國科學(xué)技術(shù)大學(xué), 2013.

SHAD S A .MobileUserTrajectoryandProfileMining[D]. Hefei： University of Science and Technology of China, 2013.

[9] CALABRESE F, PEREIRA F C, LORENZO G D, et al. The geography of taste： Analyzing cell-phone mobility and social events [J].LectureNotesinComputerScience, 2010, 6030： 22-37.

[10] PULSELLI R M, ROMANO P, RATTI C, et al. Computing urban mobile landscapes through monitoring population density based on cell-phone chatting [J].InternationalJournalofDesign&Nature&Ecodynamics, 2008, 3(2)： 121-134.

[11] READES J, CALABRESE F, SEVTSUK A, et al. Cellularcensus： Explorations in urban data collection [J].IEEEPervasiveComputing, 2007, 6(3)： 30-38.

[12] DE MONTJOYE Y A, HIDALGO C A, VERLEYSEN M, et al. Unique in the crowd： The privacy bounds of human mobility [J].ScientificReports, 2013, 3(6)： 1376.

[13] WU W, XU J, ZENG H, et al. TelCoVis： Visual exploration of co-occurrence in urban human mobility based on telco data [J].IEEETransactionsonVisualization&ComputerGraphics, 2016, 22(1)： 935.

[15] ANDRIENKO G, ANDRIENKO N, FUCHS G.BusinessIntelligence[M]. Berlin： Springer International Publishing, 2015： 39-59.

[16] ARIETTA S M, EFROS A A, RAMAMOORTHI R, et al. City forensics： Using visual elements to predict non-visual city attributes[J].IEEETransactionsonVisualizationandComputerGraphics, 2014, 20(12)： 2624-2633.

JIANG Hongyu1, WU Yadong1,2, ZHAO Weixin1, TANG Kai1
(1.SouthwestUniversityofScienceandTechnology,Mianyang621010,SichuanProvince,China; 2.SichuanCivil-MilitaryIntegrationInstitute,SouthwestUniversityofScienceandTechnology,Mianyang621010,SichuanProvince,China)

Mobile data imply various information, including spatio-temporal characteristics and the social relationship of human activities, which have great value for human behavior exploration. In order to analyze and understand the activities of mobile users, a mobile data visual analytics framework is proposed focusing on users’ activity understanding based on the spatio-temporal and social features of mobile data. And, a visual analytic system for mobile data is also built, which aims to explore mobile users’ behavior patterns in different period, detect their social roles and discover their real social relationship. It has been examined with mobile data in a city, and the results prove the effectiveness of the proposed method.

activities of users; spatio-temporal data; sparse data

2017-07-01.

國家重點研發(fā)計劃項目(2016QY04W0801); 四川省軍民融合研究院開放基金資助項目(JMRH01); 四川省科技廳項目(2017TJPT0200, 2017KZ0023, 2017GZ0186); 西南科技大學(xué)研究生創(chuàng)新基金資助項目(17ycx052); 西南科技大學(xué)大學(xué)生創(chuàng)新基金精準資助專項(jz17-045).

蔣宏宇(1994—),ORCID: http://orcid.org/0000-0003-1534-188X, 男,碩士研究生,主要從事可視化、城市計算研究.

*通信作者,ORCID: http://orcid.org/0000-0003-0919-9151, E-mail：wyd028@126.com.

10.3785/j.issn.1008-9497.2018.01.007

TP 391

A

1008-9497(2018)01-037-07

Mobiledatavisualanalysisforhumanactivityunderstanding.Journal of Zhejiang University (Science Edition),2018, 45(1)： 037-043