排序方式: 共有6条查询结果,搜索用时 0 毫秒
1
1.
针对手机信令数据存在的精度不高、时间间隔大、信号"乒乓切换"等问题,提出一种基于朴素贝叶斯分类(NBC)的方法来利用手机定位数据识别居民出行起讫点(OD)。首先,利用80位志愿者连续1个月记录的出行活动数据,依据职住距离分类统计移动和停留状态下的条件概率分布;其次,建立用于表征用户移动停留状态的两个特征参数指标:方向夹角和最小覆盖圆直径;最后,依据NBC原理计算用户的移动或停留状态概率,将连续两个以上为移动状态的过程集聚为出行OD。利用厦门市移动的手机定位数据的分析结果表明:所提方法得到的人均出行次数的平均绝对百分比误差(MAPE)误差为7.79%,具备较高的精度,出行OD的分析结果可以较好地反映真实出行规律。 相似文献
2.
3.
4.
提出一种基于朴素贝叶斯分类法(naive Bayesian classifier,NBC)的城市快递人员辨识方法. 首先,通过相关问卷调查,研究快递派送人员的手机信令发生规则. 然后,依据北京市移动用户手机通信信令数据,利用问卷调查数据和手机信令数据2种数据源中同时包含的通信数据属性,建立通信数据与调查数据中类别变量(快递人员/非快递人员)之间的贝叶斯概率关系,以此为基础构建NBC模型并对其进行训练. 最后,使用未参与训练的样本数据测试标定后模型的准确性,测试结果显示快递人员的预测成功率达到88.3%. 结果表明:该方法具有较高的精度,可以满足实际应用需求.
相似文献5.
6.
基于手机信令数据的快递人员辨识方法 总被引:1,自引:0,他引:1
提出一种基于朴素贝叶斯分类法(naive Bayesian classifier,NBC)的城市快递人员辨识方法.首先,通过相关问卷调查,研究快递派送人员的手机信令发生规则.然后,依据北京市移动用户手机通信信令数据,利用问卷调查数据和手机信令数据2种数据源中同时包含的通信数据属性,建立通信数据与调查数据中类别变量(快递人员/非快递人员)之间的贝叶斯概率关系,以此为基础构建NBC模型并对其进行训练.最后,使用未参与训练的样本数据测试标定后模型的准确性,测试结果显示快递人员的预测成功率达到88.3%.结果表明:该方法具有较高的精度,可以满足实际应用需求. 相似文献
1