[发明专利]一种大规模群体活动与群体交互行为时空关联推理方法

说明书

技术领域

本发明属于行为推理技术领域，涉及一种大规模群体活动与群体交互行为时空关联推理方法，具体涉及一种大规模手机用户群体活动与群体交互行为(如：手机通信社交网中的消息传播、活动约定等)的时空关联推理方法。

背景技术

大规模群体活动与交互行为的理解是极富有挑战的研究领域。目前对于群体活动时空关联推理的研究主要从两个角度出发：基于学习和基于规则。基于学习的方法又能够进一步分为有监督学习和无监督学习两个分支。其中，有监督学习要求必须使用带有标记的数据进行训练，其常用方法包括隐式马尔科夫模型、贝叶斯网等；无监督学习直接从未标注的数据概率框架，完成从数据特征到行为的推理。基于规则的方法则利用逻辑知识建立数据特征与行为之间推理规则，利用提取的数据特征，从可能发生的行为集合中得到匹配的最小集合，进而实现整个推理过程。相比较而言，基于学习的推理方法需要大量的训练样本，且难以进行现有知识的融合。而基于规则的方法能够方便知识的表达，但需要提供完整的规则定义。

目前的方法对群体活动特征的理解不足，活动特征与交互行为之间的关联关系难以表达，不同特征之间的区别程度以及不同特征对交互行为的影响程度都没有明确的计算方法，不同群体活动特征与交互行为之间的时空关联规则也没有进行说明。

发明内容

为了解决上述技术问题，本发明提供了一种大规模群体活动与群体交互行为时空关联推理方法。

本发明所采用的技术方案是：一种大规模群体活动与群体交互行为时空关联推理方法，其特征在于，包括以下步骤：

步骤1：提取群体活动特征，所述群体活动特征包括群体活动时间特征、群体活动空间特征、群体活动强度特征；

步骤2：对群体活动特征进行逻辑运算，实现活动模式的提取；所述活动模式包括时间模式推理、空间模式推理和强度模式推理；

步骤3：组合时间模式集合、空间模式集合和强度模式集合，获得群体活动模式结构组合集合；

步骤4：通过关系行为模型，计算每种群体活动发生的概率，实现利用群体活动模式结构组合集合对群体交互行为的层次化时空关联推理。

相对于现有技术，本发明的有益效果是：目前有关行为方面的研究尚未从现实的物理空间到虚拟的网络空间进行推理，本发明介绍了一种通过现实空间上的行为特征的提取、组合推理得到模式特征，在进行网络空间上交互行为的关联。该发明采用层次化推理方法，特征-模式-行为的推理方法能够保证推理结果的准确性，结合历史数据以及引入的知识，能够进一步提升预测的准确程度。

附图说明

图1为本发明实施例的流程图；

图2为本发明实施例的群体活动发生移动时的计算原理图；

图3为本发明实施例的活动强度变化的4种模式示意图。

具体实施方式

为了便于本领域普通技术人员理解和实施本发明，下面结合附图及实施例对本发明作进一步的详细描述，应当理解，此处所描述的实施示例仅用于说明和解释本发明，并不用于限定本发明。

本发明主要实现根据群体活动特征对群体交互行为推理(如：手机通信社交网中的消息传播、活动约定等)，考虑人群活动的特质，首先提取群体活动特征，对群体活动特征进行逻辑运算，实现活动模式的提取，最后通过关系行为模型，计算每种行为发生的概率，实现利用时空模式的组合特征对群体交互行为的层次化(群体活动特征、群体活动模式、群体交互行为)时空关联推理的算法。

请见图1，本发明提供的一种大规模群体活动与群体交互行为时空关联推理方法，包括以下步骤：

步骤1：提取群体活动特征，所述群体活动特征包括群体活动时间特征、群体活动空间特征、群体活动强度特征；

其中，群体活动时间特征包括活动的开始时间、结束时间、活动时长；群体活动空间特征包括活动的起始位置、结束位置、活动范围、活动地点的变化。群体活动活动强度根据参与活动的人群特征进行描述，因而活动强度特征包括参与活动的人数。从这三个方面对群体活动特征进行提取。

步骤2：对群体活动特征进行逻辑运算，实现活动模式的提取；所述活动模式包括时间模式推理、空间模式推理和强度模式推理；

其中时间模式推理，其具体实现包括以下子步骤：

步骤A1：将一天的时间根据居民的生活韵律划分为7个阶段，并将活动开始的时间与不同的时间阶段对应起来，获得活动开始时所处时间区间的活动时间特征；

时间阶段、时间区间、时间活动特征对应关系为表1所示；

表1