93%的地点具有可预测性
通过时间、距离约束过滤路段 公交车的上下情况
分割段 行程内转移
CRF条件随机场 观察序列-隐藏序列 xi=(li,li+1) S={l1,l2,l3,…}
通过标记数据足够多的CRF序列，使用EM算法或梯度法来训练 对数似然函数：
L(λ,D）=log(p|x)- /
地点类别补全：通过访问时间的、访问次数、时间-次数分布、访问时间间隔、停留时间、访问人流量等特征去识别地点类别。挖掘模式。（显性模式）
任意两个地点i,j分别对用户-地点、时间段-地点二部图运用带重启动的随机游走获得相关性为r(i,j)t r(i,j)u，用线性加权的方式进行融合。（隐性模式）
通过top-k预测邻近地点的类别 用概率公式。
重要地点预测：
Place:地方/时间-区间
Location：地点 地方的聚类（mean-shift）基于时间的聚类方法 自动确定聚类个数-过滤噪声
区域功能标记：
不同时间可能功能不同， 人们何时进入何时离开，从哪里进入，离开后去往哪里。
功能的组合标记。
一次移动行为可写为（出发，目的地，出发时间，到达时间）
移动立方：(I,j,k)表示在tk时间从ri离开去往rj的记录数目。
发掘一个功能区块所隐藏的主题模型。
POI三元组：兴趣点类型，名字，地理位置 r的第i种兴趣点频率密度可通过公式计算
Vi=r中第i种兴趣点数目/区块r的总面积
兴趣点特征——元数据，即数据描述
区块功能——主题
移动模式——单词
DMR 狄利克雷多项式回归主题模型：融合元数据。
模型可以用吉布斯采样算法/EM算法来进行估计。
区域语义发现：1.功能区域的兴趣点结构、计算特征向量的平均值，再对区域不同种类兴趣点排序 2.功能区最高频的移动模型 3.功能魔都 移动模型的起始地和目的地输入核密度估计获得功能密度
地点命名（贴标签）：符合个性化需求 规约为一个排序学习问题。考虑user-temporal-spatio三种偏好程度。Learning to rank
用户u长度为Ku的隐向量。
排序学习的组合特征： 刘铁岩的综述 Learning to rank information for retrival
用户移动建模：
移动模式新的统计规律以布朗运动等粒子移动模型为基础，两次移动之间的时间间隔、步长分布。-》建立连续时间的随机游走、基于层次性交通系统的人类运动模型。
群体的移动步长近似服从幂律分布。个体不服从。
新颖地点预测
对于用户u的移动记录和访问位置都可分为新颖的和常规的。
一旦是去新的地方，要么和朋友一起去，要么符合个人的兴趣爱好。可针对朋友共同出现预测来实现。符合兴趣的预测，可采用降维等兴趣挖掘模型 兴趣偏好和地点特性匹配。-》第五章
基于新颖性探索预测的加权模型
预测下一地点是否为新颖地点：归结为二分类问题：基于历史的特征、时间特征、空间特征。
基于历史特征 可能包含了人们当前追求新奇的状态 时间特征来考虑信息对探索预测的效果。
时间特征：星期几、几点对未知地点探索的欲望不同。逻辑回归模型
空间特征：高分布熵：周边访问均匀，来源于更多的用户访问；低分布熵 小部分人提供
探索的概率与访问不同位置数成幂律关系。探索过很多后 探索倾向会降低。
地点访问分布熵 和概率一样 H=-求和（plogp）
基尼系数：用户访问地点分布平均程度的度量。
洛伦兹线：用于刻画贫富差距的工具。曲线靠近对角线，越平均。
基于移动本地化的混合模型 对城市的熟悉程度——土著化程度 重复移动模式的比例
新人，土著化程度低 对城市了解很少。依赖于新颖地点预测模型（外地人基尼系数大于本地人）逻辑回归模型
