| 摘要 | 第4-6页 |
| abstract | 第6-7页 |
| 第一章 绪论 | 第14-30页 |
| 1.1 研究背景与意义 | 第14-17页 |
| 1.1.1 研究背景 | 第14-16页 |
| 1.1.2 研究意义 | 第16-17页 |
| 1.2 研究现状 | 第17-27页 |
| 1.2.1 城市计算研究现状 | 第17-19页 |
| 1.2.2 用户活跃度预测方法研究现状 | 第19-20页 |
| 1.2.3 共现现象建模研究现状 | 第20-22页 |
| 1.2.4 电信业定位方法研究现状 | 第22-27页 |
| 1.3 研究内容与创新 | 第27-28页 |
| 1.4 论文结构安排 | 第28-30页 |
| 第二章 基于电信时空数据多样性的特征工程方法 | 第30-58页 |
| 2.1 引言 | 第30页 |
| 2.2 电信时空大数据平台及电信时空数据描述 | 第30-35页 |
| 2.2.1 数据管理 | 第30-33页 |
| 2.2.2 特征管理 | 第33-35页 |
| 2.2.3 应用支撑 | 第35页 |
| 2.2.4 用户活跃度预测问题的定义 | 第35页 |
| 2.3 基于电信时空数据的多角度特征设计方法 | 第35-48页 |
| 2.3.1 用户需求角度 | 第36-37页 |
| 2.3.2 用户反馈角度 | 第37-40页 |
| 2.3.3 服务质量角度 | 第40-43页 |
| 2.3.4 社交关系角度 | 第43-44页 |
| 2.3.5 行为习惯角度 | 第44-48页 |
| 2.3.6 交叉特征 | 第48页 |
| 2.4 实验与分析 | 第48-56页 |
| 2.4.1 特征多样性对预测效果的影响 | 第51-53页 |
| 2.4.2 预测提前量对预测结果的影响 | 第53页 |
| 2.4.3 特征重要性分析 | 第53-54页 |
| 2.4.4 与主流方法的比较与分析 | 第54-56页 |
| 2.5 本章小结 | 第56-58页 |
| 第三章 共现现象高效建模方法OEM | 第58-87页 |
| 3.1 引言 | 第58页 |
| 3.2 共现现象与用户活跃度预测的关联 | 第58-59页 |
| 3.3 LDA算法特点分析 | 第59-64页 |
| 3.4 共现现象建模方法 | 第64-67页 |
| 3.5 OEM与传统LDA算法理论比较 | 第67-78页 |
| 3.5.1 基于变分推断的算法 | 第67-69页 |
| 3.5.2 基于坍塌吉布斯采样的算法 | 第69-71页 |
| 3.5.3 基于坍塌变分推断的算法 | 第71-73页 |
| 3.5.4 基于期望最大化的新算法 | 第73-77页 |
| 3.5.5 在线算法OEM | 第77-78页 |
| 3.6 实验与分析 | 第78-86页 |
| 3.6.1 OEM与传统在线LDA算法建模效率对比 | 第79-80页 |
| 3.6.2 不同参数对预测效果的影响 | 第80-83页 |
| 3.6.3 主题特征判别性的验证与分析 | 第83页 |
| 3.6.4 主题特征解释性的分析 | 第83-85页 |
| 3.6.5 加入主题特征对总体精度的改进 | 第85-86页 |
| 3.7 本章小结 | 第86-87页 |
| 第四章 提升用户数据时空粒度方法的实现 | 第87-104页 |
| 4.1 引言 | 第87页 |
| 4.2 用户数据时空粒度的局限与解决思路 | 第87-89页 |
| 4.3 基于TB级测量报告数据的大规模用户定位算法 | 第89-96页 |
| 4.3.1 大规模样本标注方法 | 第90-95页 |
| 4.3.2 情景感知回归算法CCR | 第95-96页 |
| 4.4 基于高精度位置数据的特征设计方法 | 第96-98页 |
| 4.5 实验与分析 | 第98-103页 |
| 4.5.1 插值频率对定位精度的影响 | 第99-100页 |
| 4.5.2 情景感知因素对定位精度的影响 | 第100-101页 |
| 4.5.3 与电信业主流定位方法的比较 | 第101-102页 |
| 4.5.4 加入新特征对总体精度的改进 | 第102-103页 |
| 4.6 本章小结 | 第103-104页 |
| 第五章 总结与展望 | 第104-106页 |
| 5.1 研究总结 | 第104-105页 |
| 5.2 研究展望 | 第105-106页 |
| 参考文献 | 第106-117页 |
| 发表文章目录及科研项目 | 第117-118页 |
| 致谢 | 第118-119页 |