利用时空熵演化分析隐私感知的移动行为

分析用户的移动行为对于创建或改进现有服务极为有用。已有若干研究工作致力于分析用户移动行为，主要利用用户的显著位置。然而，这些现有分析极具侵入性，因为它们需要了解用户频繁访问的地点，从而使其很容易被识别。因此，在本文中，我们提出一种隐私感知的方法来分析了用户的移动行为。我们首先提出一种基于著名的香农熵的新度量，称为时空熵，用于量化用户在时间窗口内的移动水平。然后，我们从用户的位置历史中计算出时空熵序列，将用户的移动表达为节律。我们其次展示如何研究若干组附加变量对用户时空熵演化的影响，例如时空、人口统计和交通工具变量。为此，我们使用广义加性模型（GAMs）。结果首先表明，时空熵与 GAMs 是理解单个用户或用户群体移动行为的理想组合。我们还评估了全局 GAM 与个体 GAM 及个体自回归积分滑动平均（ARIMA）模型相比的预测精度。最后这些结果强调，通过检查平均绝对误差（MAE），全局 GAM 能给出更精确的时空熵预测。此外，该研究工作开辟了多种方向，例如利用用户的移动节律特征预测用户人口统计数据或创建个性化移动预测模型。