一种基于上下文感知的非负张量分解的城市动态分析方法技术

本发明专利技术涉及一种基于上下文感知的非负张量分解的城市动态分析方法，采用张量因子分解作为模型的基础，该模型不仅能够发现城市中人类活动空间和时间模式，而且能够模拟这些模式之间的相互作用；另外将城市上下文信息引入到张量因子分解模型中，使得模型更加精确；并提出了一种分析张量序列的流水线初始化方法，使得该非负张量分解模型能够分析城市动态的长期演化。该方法提出了上下文感知非负张量分解模型(cNTF),利用居民流动数据和城市环境信息，基于张量Tucker分解，发现城市中人类活动的潜在模式。本发明专利技术提供的方法克服了现有模型无法拟合模式间相互作用以及无法分析动态模式的长期演化等问题，同时引入城市上下文信息，使得结果更加准确。

A Context-aware-based Non-negative Tensor Decomposition Method for Urban Dynamic Analysis

The present invention relates to a context-aware non-negative tensor decomposition based urban dynamic analysis method. Tensor factor decomposition is used as the basis of the model. The model can not only discover the spatial and temporal patterns of human activities in cities, but also simulate the interaction between these patterns. In addition, urban context information is introduced into the tensor factor decomposition model to make the model. A pipeline initialization method for tensor sequence analysis is proposed, which enables the non-negative tensor decomposition model to analyze the long-term evolution of urban dynamics. In this method, a context-aware non-negative tensor decomposition model (cNTF) is proposed. Based on the tensor Tucker decomposition, the potential patterns of human activities in cities are found by using the data of residents'mobility and urban environmental information. The method provided by the invention overcomes the problems that the existing models can not fit the interaction between models and can not analyze the long-term evolution of dynamic models, and introduces urban context information to make the results more accurate.

【技术实现步骤摘要】
一种基于上下文感知的非负张量分解的城市动态分析方法
本专利技术涉及数据挖掘
以及智慧城市
，特别涉及一种基于上下文感知的非负张量分解的城市动态分析方法。
技术介绍
在智能交通系统(ITS)和城市计算中，张量分解(因子分解)是对时空数据建模的有效工具。基于张量分解，现有的时空建模技术均以分解后得到的因子为基础，尝试揭示各个模式潜在的物理意义。例如用二阶张量矩阵来拟合城市出租车出行数据，并利用非负矩阵分解(NMF)挖掘出与居民日常生活节奏相对应的潜在因子；利用张量cp分解分析日本大地震中居民的手机数据，发现不同的人类活动模式；利用概率张量分解来分析新加坡的公交智能卡的交易模式等。类似的研究均存在以下几方面的不足：1)现有研究一般仅注重单方面模式的挖掘，而忽略不同模式之间的相互作用；2)忽略城市上下文环境；3)无法分析城市动态模式的长期演化。
技术实现思路
鉴于上述问题，本专利技术提出了上下文感知非负张量分解模型(cNTF)，本专利技术旨在利用居民流动数据和城市环境信息，基于张量Tucker分解，发现城市中人类活动的潜在模式。本专利技术所创模型克服了现有模型无法拟合模式间相互作用以本文档来自技高网...

【技术保护点】
1.一种基于上下文感知的非负张量分解的城市动态分析方法，其特征在于，包括：S1、将待分析城市划分为M个区域，将每天划分为N个时间片；S2、从人类活动相关的轨迹数据中提取出出发地、到达地以及时间信息；将所述出发地、到达地信息匹配到对应区域中，并将时间信息匹配到对应时间片中；S3、统计不同区域时间片、不同区域间的流量大小，生成数据张量；S4、根据城市上下文环境数据，统计出所述区域的上下文相似性矩阵；S5、选取合适的参数出发地模式I，到达地模式J，时间模式K以及参数集合Ω，根据预设公式解决对应的优化问题，得到分解结果动态模式张量C、出发地映射矩阵O、到达地映射矩阵D和时间映射矩阵T。

【技术特征摘要】
1.一种基于上下文感知的非负张量分解的城市动态分析方法，其特征在于，包括：S1、将待分析城市划分为M个区域，将每天划分为N个时间片；S2、从人类活动相关的轨迹数据中提取出出发地、到达地以及时间信息；将所述出发地、到达地信息匹配到对应区域中，并将时间信息匹配到对应时间片中；S3、统计不同区域时间片、不同区域间的流量大小，生成数据张量；S4、根据城市上下文环境数据，统计出所述区域的上下文相似性矩阵；S5、选取合适的参数出发地模式I，到达地模式J，时间模式K以及参数集合Ω，根据预设公式解决对应的优化问题，得到分解结果动态模式张量C、出发地映射矩阵O、到达地映射矩阵D和时间映射矩阵T。2.如权利要求1所述的一种基于上下文感知的非负张量分解的城市动态分析方法，其特征在于，还包括：S6、选取L个时期，根据流水线初始化张量序列的方法对所述L个时期进行张量分解；S7、对动态模式张量C、出发地映射矩阵O、到达地映射矩阵D和时间映射矩阵T进行统计分析与可视化，进而进行城市动态模式的分析。3.如权利要求1所述的一种...

【专利技术属性】
技术研发人员：王静远，陈超，熊璋，
申请(专利权)人：北京航空航天大学，
类型：发明
国别省市：北京,11