论文笔记:CellSense: Human Mobility Recovery via Cellular Network Data Enhancement

news2024/11/19 3:21:39

1  intro

1.1 背景

1.1.1 蜂窝计费记录(CBR)

  • 人类移动性在蜂窝网络上的研究近些年得到了显著关注,这主要是因为手机的高渗透率和收集手机数据的边际成本低
  • 蜂窝服务提供商收集蜂窝计费记录(CBR)用于计费目的,例如电话、短信和互联网访问
    • 这些记录可以被重新利用来感知用户的位置
    • 与仅涉及用户电话和短信通话记录的通话详单记录(CDR)相比,CBR是一个更通用的数据集
  • 依靠网络运营商收集的各种CBR数据集,研究人员广泛研究了人类移动性感知
    • 集体移动性,如流量和旅行时间
    • 个人移动性,如通勤模式和用户空间画像
      • 这些都是基于统计方法的,例如隐马尔可夫模型或条件随机场
文章地址天数大小
Human Mobility Modeling at Metropolitan Scales (MobiSys ’12)NY & LA91585K users
Identifying important places in people’s lives from cellular network data. In International Conference on Pervasive Computing. 2011NY & LA78168K users

Ranges of human mobility in Los Angeles and New York 

2011

NY & LA140352K users
Dp-where: Differentially private modeling of human mobility. In 2013 IEEE international conference on big data 2013New York91250K users

Identifying user habits through data mining on call data records.

Engineering Applications of Artificial Intelligence 54 (2016),

Ivory Coast15050K users
Urban computing using call detail records: mobility pattern mining, next-location prediction and location recommendation. Ph.D. Dissertation. 2016China100K users

Human Habits Investigation: from Mobility Reconstruction to Mobile Traffic Prediction.

Ph.D. Dissertation. 2018

Shanghai14642K users
Activity-based human mobility patterns inferred from mobile phone data: A case study of Singapore. IEEE Transactions on Big Data 3, 2 (2017)Singapore143.17M users
CellTrans: Private Car or Public Transportation? Infer Users’ Main Transportation Modes at Urban Scale with Cellular Data. Proc. ACM Interact. Mob. Wearable Ubiquitous Technol. 3, 3, Article 125 (Sept. 2019),Shenyang & Dalian483M users

Estimating travel time of Dhaka city from mobile phone call detail records.

In Proceedings of the Ninth International Conference on Information and Communication Technologies and Development. 2017

Dhaka City302.87M users
Clustering weekly patterns of human mobility through mobile phone data. IEEE Transactions on Mobile Computing 17, 4 (2017)Paris21800M records

MultiCell: Urban Population Modeling Based on Multiple Cellphone Networks.

Proc. ACM Interact. Mob. Wearable Ubiquitous Technol. 2, 3, Article 106 (Sept. 2018)

Shenzhen10.2M records
Mobile edge computing-based data-driven deep learning framework for anomaly detection. IEEE Access 7 (2019)Milan60319M records
Learning Behavioral Representations of Human Mobility 2020Italy6717K trajectories

Table 1. Related Work Using Cellphone Billing Records (CBR) Name Location # Days Volume

1.1.2 CBR+机器学习的挑战

  • 近期机器学习的进步,特别是深度学习,有潜力进一步提高人类移动性建模的准确性
    • 然而,使用蜂窝网络数据进行机器学习模型的挑战在于用户的CBR(蜂窝计费记录)在时间维度上通常过于稀疏
    • 这是因为这些CBR数据主要是为计费目的而收集的,例如电话、短信和互联网访问,但大多数人每天有长时间没有任何CBR数据,因为没有活动
  • ——>设计一个恢复模型,来推断个别用户原始CBR数据间隙中历史遗漏的观测数据,以获得密集的CBR数据,来训练预测性的机器学习模型

1.1.3 现有工作对CBR稀疏性的解决

  • 一些工作结合CBR数据和其他移动性数据源,例如交通数据,采用共训练或多视图学习等方法
    • 这类研究需要额外的数据源进行校准,这些数据源并不总是其他拥有CBR数据的研究者能够获取的
  • 从蜂窝塔进行地图匹配,例如ctrack、coSense
    • 通过与蜂窝塔的连接实现连续的位置感知
    • 结合附近塔的蜂窝信号强度分布和CDR数据进行位置定位
    • 这些工作需要专门的数据收集,例如连续的主动手机连接或手机内部传感器数据

1.1.4 CBR 恢复的挑战 

  • 感知数据不足和不规则的蜂窝使用模式,个体移动性存在不确定性
  • 几乎不可能用外部数据源(如交通数据)来校准不确定性
    • 由于加密,用户在不同数据集中有不同的匿名ID
    • ——>个体级别的细粒度移动性很难与不同数据源的数据融合匹配

1.2 论文的关键技术

  • 论文的的恢复方法构建了两个关键技术
    • 单一数据源中的个体移动性校准
      • 提取集体移动性特征(例如,基于所有用户的CBR数据的旅行时间)
      • 应用这些集体移动性特征作为个体移动性推断中的校准因素,以解决个体CBR数据中的不确定性
    • 阶段性双向学习
      • 对于个体用户,不仅仅关注单个记录,而是将用户分为观察和未观察阶段的分阶段分布
      • 基于观察阶段的连续记录,我们推断用户状态,例如交通方式
  • 为了严格评估论文的恢复模型,论文使用合肥的信令数据
    • 这些信令数据记录了手机和蜂窝塔之间的互动,例如连接、断开、寻呼等,即使没有计费活动
    • 这些信令数据作为ground-truth

1.3 问题定义

  • 在没有访问其他数据源的情况下恢复CBR中丢失的记录以提高数据质量
    • ——>设计并实施了一个名为CellSense的人类移动性恢复系统,它有两个关键组成部分:
      • 一个与个体无关的集体移动性建模组件
      • 一个与个体有关的情境感知个体移动性建模组件

1.4 挑战

1.4.1 新地点

  • 尽管人类移动性显示出规律性模式,例如家与工作地点之间的通勤,但人类移动性仍存在不确定性
  • 利用两周的CBR(蜂窝计费记录)数据分析用户访问的地点,然后研究用户在下一周新地点的不规则性
    • 发现只有37.1%的用户在已有地点间移动,约23.2%的用户访问了超过8个新地点
    • 由于缺乏历史观测数据,新地点为人类移动性恢复带来挑战

1.4.2 感知粒度

  • 与GPS设备等传感器不同,后者以固定时间间隔被动感知人类位置(例如,每5秒),手机设备依赖于用户活动来进行位置感知,蜂窝计费记录的时间感知粒度是不均匀的
  • ——>两个CBR记录之间的平均感知粒度,即时间间隔,因用户不同的手机使用模式而异
  • 如图1b所示,在26.3%的用户中,两个CBR记录之间的平均时间间隔不到1分钟,而在顶部26.4%(100%-73.6%)的用户中超过10分钟
    • ——>非均匀和不规则的感知粒度为人类移动性恢复带来了新的挑战

2 数据集

2.1 合肥蜂窝计费记录(CBR)

  • 每个CBR记录有5个属性
  • 表2给出了一个样本记录和一些统计信息

  • 对CBR进行了初步的空间和时间分布分析
    • 在空间维度上,应用Voronoi划分来估计蜂窝塔的空间覆盖范围
      • 发现市中心的用户密度比周边郊区高
      • 进一步进行定量分析
        • 塔上的记录分布不均衡。80%的记录集中在30%的蜂窝塔上,这些塔主要位于城市的市中心区域
    • 在时间维度上
      • 在8:00、13:00和22:00有三个使用高峰,分别对应用户的早高峰、午餐时间和晚高峰

2.2.用户上下文信息

  • 论文还获得了对从订阅数据和蜂窝运营商元数据中收集的用户上下文数据的访问权限
    • 【IT公司与蜂窝运营商合作,为特定应用或服务提供专门的蜂窝数据套餐】
    • ——>可以间接地提供更多关于用户行为的信息
  • CBR数据中的所有订阅蜂窝用户都有标签
    • 大约80%的用户拥有不到5个标签,单个用户的最大标签数量为37个,所有用户的平均标签数量为4个
      • 第一列显示类别;
      • 第二列表示此类别的相应标签占所有标签的百分比
      • 最后一列展示拥有此类别标签的用户百分比占所有用户的百分比
  • 对于手机使用类别,典型的标签包括视频、音乐等
  • 对于与汽车相关的类别,典型标签包括与汽车相关的属性
  • 对于人口统计类别,典型标签包括性别、年龄范围
  • 对于服务类别,典型标签与生活中的服务相关

2.3 路网

  • 合肥市的道路网络数据来自OpenStreetMap,包括49,603条道路段,总长12,813公里
  • 道路网络分布与图2中的用户密度相一致,即在道路段较密集的地方发现了更多用户

2.4 人口

  • 根据Worldpop项目收集的人口普查数据在图4中可视化了人口分布
  • 与道路网络分布类似,用户密度分布与人口分布之间存在高度相关性

3 模型

3.1 系统概览

  • 两个模块来应对1.4中提到的“新地点”、‘感知粒度不均“这两个挑战
    • 独立于个体的集体移动性建模组件
    • 依赖于个体的、具有上下文感知的个体移动性建模组件

3.2 初步研究

3.2.1  空间和时间粒度

  • 空间
    • 使用Voronoi划分来估计蜂窝塔的覆盖范围[
    • 假设用户连接到最近的塔
  • 时间
    • 将时间分为5分钟的时间段
    • 如果用户在同一时间段内连接到多个塔,我们将时间段内的位置设置为频率最高的塔

3.2.2 移动性图构建

  • 移动性图定义为𝐺 = (𝑉 , 𝐸),其中𝑉是塔位置,𝐸是连接蜂窝塔的边的集合

3.2.3 Ping-Pong效应和异常值

  • 记录中存在异常值和噪声,这是由多种因素引起的
    • 负载平衡
    • Ping-Pong效应

  • 通过速度来识别异常记录
    • 对于用户𝑢,我们按时间对其记录𝑟进行排序,然后计算每对相邻记录𝑟𝑖和𝑟𝑖+1的行驶速度𝑠𝑖→(𝑖+1)
    • 计算速度的均值和方差
    • 对于一段时间内的所有行驶速度𝑠𝑖→(𝑖+1),∀ 𝑖,通过z=\frac{|s_{i \rightarrow (i+1)}-\bar{x}|}{\sigma}计算速度的z分数
    • 在z分数低于阈值时移除𝑟𝑖+1

3.2.4 停留点(staypoint)检测和行程分割

  • 停留点是用户在一定时间内停留的位置
    • 这些位置通常是空间画像的重要兴趣点(PoI),如家庭和工作地点
  • 根据行驶速度和时间来识别停留点,例如,在一定时间内行驶速度为0
  • 基于停留点,将用户记录分割成一段一段行程
  • 如果行程的起点和终点是同一个停留点,将此行程期间所有用户缺失的位置标记为停留点

3.2.5 观察和未观察阶段

  • 蜂窝用户在旅行期间会在短暂的连续时间内使用蜂窝服务,然后断开一段时间
    • 例如,用户在公交车上可能会检查电子邮件或与朋友发送即时消息。在这段时间内,用户的位置在蜂窝网络中是可观察的。当没有与附近塔建立蜂窝连接时,用户的位置变得不可见
  • ——>将用户轨迹分为两个阶段,即有蜂窝活动的观察阶段和没有蜂窝活动的未观察阶段
  • 目标是推断未观察阶段中用户在特定时间的位置

3.3 集体移动性建模

3.3.1 目标

  • 为了推断未观察阶段中缺失的记录,估计用户在未观察阶段的旅行时间和路线至关重要
  • 然而,个体用户观察到的记录数量有限。在移动性图上,许多边缺乏用户的观测
  • ——>首先估计不同交通方式下的平均旅行时间,然后将平均旅行时间与个体特征结合起来(个体特征是下一小节的内容)

3.3.2 设计

  • 对于有直接观测的边,旅行时间可以通过统计平均值直接估计
  • 对于观测稀疏的边,由于缺乏直接观测,即使用户在未观察阶段中经过这些边,旅行时间估计也是具有挑战性的
  • ——>需要从直接观测(观察阶段)和间接观测(未观察阶段)中推断旅行时间

  • 任何旅行的总旅行时间τ可以用以下公式表示
    • \tau=X^TP
      • 𝑋𝑇 = (𝑥1, 𝑥2, ..., 𝑥𝑖, ..., 𝑥𝑛),𝑥𝑖是边𝑒𝑖上的旅行时间
      • 𝑃 = (𝑝1, 𝑝2, ..., 𝑝𝑖, ..., 𝑝𝑛)是路线指标,其中𝑝𝑖=1表示用户通过边𝑒𝑖,否则𝑝𝑖=0
      • 【用户经过了多少条边,就把这几条边上的时间相加】
    • 对于观察阶段,边上的旅行时间可以直接从用户观测中推断
    • 于未观察阶段,只知道总旅行时间,这可以通过之前和之后观测值的时间差推断

采用两个步骤来估计未观察阶段的旅行时间

  • 路线推断
  • 边旅行时间推断

3.3.3 路线推断

  • 基于距离和旅行时间约束,在移动性图上推断用户的详细移动路线
  • 理论上,移动性图上两个位置之间有无限多条路线
    • 为了避免额外的计算成本并使问题可行,论文只关注非返回旅行路线,即用户不会两次通过同一边
    • 论文从用户的观察阶段验证了这一假设,并发现大约98.3%的行程在一次旅行中不包括重复边
  • 应用深度优先搜索(DFS)算法在未观察阶段前后两个观察位置之间搜索可能的路线候选NTU 课程: MAS714(3) DFS & BFS(搜索算法)-CSDN博客
    • 为每次搜索设置一个访问指示器,并剪除所有返回路线
    • 发现82.6%未观察阶段的旅行距离小于2公里
    • 为了进一步减少路线候选数量并识别用户的实际旅行路线,应用几个启发式因素来剪除路线候选
      • 旅行速度应在合理范围内,例如市区小于80公里每小时,郊区小于150公里每小时
        • 【这里我感觉是总旅行距离/旅行时间】
      • 旅行距离应小于一定阈值,例如最短距离的两倍
      • 通过这两种剪枝方法,79.3%未观察阶段的路线候选数量小于3。

3.3.4 边旅行时间推断

  • 在未观察阶段,对于方程1(\tau=X^TP),总旅行时间𝜏和旅行路线𝑃已通过路线候选搜索和剪枝得知
  • 但是,每一条边的边旅行时间𝑋仍未知
  • 为了估计旅行时间𝑋,我们用隐藏参数𝜃(对于一个边和一个交通方式,参数包括对应高斯分布的均值和方差)表示边旅行时间𝑋
    • 目标是估计一组参数𝜃,使得在方程1中𝜏的似然估计最大化
    • ——>应用了EM(期望最大化)算法
      • 首先,从有直接观测的周围边初始化参数集
      • 其次,用迭代EM算法的两个步骤更新边的旅行时间
        • 在E步骤中,根据当前边旅行时间分布,从CBR路线的每个边生成样本
          • 每个样本包含两个元素,旅行时间𝑥𝑖和在分布中的相应概率
        • 在M步骤中,我们用新样本更新边𝑒的参数

我们想要找到最佳的旅行时间分布参数(每个边的平均旅行时间和方差),使得观测到的总旅行时间(𝜏)出现的概率最大

  • 这些分布是某个路段、某种出行方式的速度,不取决于某一个用户,可以根据不同用户的移动数据不断进行调整和更新

3.4  个体mobility 建模

3.4.1 全局信息模块

  • 全局信息模块融合了来自集体移动性建模的估计旅行时间、人口分布和移动性图、
    • 城市中的人类移动性与人口分布高度相关,例如,在人口密度高的地区有较高的旅行需求
    • 尽管可以从蜂窝网络数据模拟人口分布,但先前的工作表明单个网络的用户分布可能存在偏差,不能准确反映真实的人口分布
    • 因此,论文使用独立的基于人口普查的数据源来获取人口分布信息
    • 移动性图和旅行时间是基于集体移动性建模创建和估计的
  • 由于人口和移动性图是静态信息,在短时间内不会改变,我们对这两个数据集进行空间映射
    • 将城市划分为小的Voronoi区域,然后计算每个区域的移动性图和人口密度
  • 旅行时间随时间和地点动态变化,因此同时应用空间和时间映射
    • 在一天中不同时间段计算Voronoi区域内的平均旅行时间

3.4.2 上下文信息嵌入

  • 上下文信息包括用户的人口统计因素
  • 这些因素的影响在用户之间是不同的
    • eg,如果用户住在郊区,与居住在公共交通覆盖更密集的市中心地区的用户相比,他们为了通勤目的使用汽车的频率将更高
  • 为了捕捉这些隐藏的相关性差异,论文采用了注意力机制来自动学习因素的权重

3.4.3 双向移动性学习

  • 使用双向GRU
    • 将移动性图、图上的旅行时间和个人上下文信息与位置估计整合起来
  • 通常,由于未观察阶段的距离和时间较小,不足以改变交通方式,用户在未观察阶段会保持上一个观察阶段的同一交通方式
    • 为了利用先验信息并在训练过程中动态更新用户模式,在训练过程中采用了多任务学习机
    • 应用编码器层来嵌入个人移动记录和交通方式
    • 解码器层解码嵌入的位置和交通方式

4 实验

4.1 数据

  • 信令数据作为真实数据
    • 信令数据捕获信号切换活动
    • 空间覆盖率和CBR相同,但是时间覆盖率远大于CBR
      • 80%的信令记录更新间隔小于80秒
      • 80%的CBR用户的更新间隔小于13分钟

4.2 结果

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.coloradmin.cn/o/1351558.html

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈,一经查实,立即删除!

相关文章

利用提示工程,提升LLM将自然语言转化为SQL的准确性

大型语言模型 (LLM) 已展现出理解自然语言提示并生成连贯响应的卓越能力。 这为将自然语言翻译成 SQL 等结构化查询语言开辟了新的可能性。 过去,编写 SQL 查询需要技术专业知识,而LLM允许任何人用简单的英语描述他们想要的内容,并自动生成相…

Github 2024-01-03 开源项目日报 Top10

根据Github Trendings的统计,今日(2024-01-03统计)共有10个项目上榜。根据开发语言中项目的数量,汇总情况如下: 开发语言项目数量Python项目3TypeScript项目3Jupyter Notebook项目1Dart项目1C项目1Rust项目1 系统设计指南 创建周期&#x…

STC进阶开发(三)蜂鸣器、RTC时钟、I2C总线、外部中断、RTC闹钟设置、RTC计时器设置

前言 这一期我们首先学习如何让蜂鸣器响起来,并且如何让蜂鸣器发出简单的歌曲,然后我们介绍RTC时钟,要想明白RTC时钟,我们还需要先介绍I2C总线和外部中断。接下来就开始这一期的学习吧! 蜂鸣器 简单介绍 蜂鸣器是一种…

geemap学习笔记039:分析地理空间数据--合成无云影像

前言 本节介绍的内容是对于众多的原始Landsat数据,利用ee.Algorithms.Landsat.simpleComposite()将其处理为TOA数据,并且合成无云影像。 1 导入库并显示地图 import ee import geemap ee.Initialize()2 无云影像合成 Map geemap.Map()collection e…

王道考研计算机组成原理——数据的表示和运算

数制转换 任意进制》十进制:位权*位数即可 整数部分补0是补在头部,小数部分补0是补在尾部 一般都是先把十进制》二进制;然后二进制再转换成8/16进制这样子 一种更快的方法->拼凑法:小数部分整数部分都可以这样求 一般都是先…

TypeError: unsupported operand type(s) for +: ‘NoneType‘ and ‘str‘

报错 找到出错代码,发现默认值是None 解决 改为‘’即可

vba抓取网页数据

哈喽,哈喽,大家好!大家2024发大财啦! 不知道,平时大家爱不爱看电影呢?从今年的贺岁档的拍片来看,今年的电影还挺多,而且国产优秀电影居多,元旦假期期间我也去看了部喜剧…

【BCC动态跟踪PostgreSQL】

BPF Compiler Collection (BCC)是基于eBPF的Linux内核分析、跟踪、网络监控工具。其源码存放于GitCode - 开发者的代码家园 想要监控PostgreSQL数据库的相关SQL需要在编译PostgreSQL的时候开启dtrace。下文主要介绍几个和PostgreSQL相关的工具,其他工具可根据需求自行了解。 …

ChatGPT 进行 SEO的使用技巧

搜索引擎优化 (SEO) 是使网站对搜索引擎友好的一种不断发展的实践。 自搜索引擎和新兴技术的发展以来,它从未保持不变。 最近发布的 ChatGPT 是一种人工智能对话工具,似乎在搜索引擎优化方面有很好的应用。 从创建吸引人的标题到只需一个简短的提示就可…

Latex宏包gbt7714的格式问题:去掉OL

问题 采用bibtex来格式化文献,文献的格式采用gbt7714宏包来格式化。感谢宏包的作者和一种贡献者,效果非常好,用起来也很方便。 唯一一个我自己的问题,看不得文献索引后面[J/OL]中的OL。 网上搜索一圈,有一些办法&am…

echarts点击柱子、线节点、横坐标标签

echarts点击柱子、线节点、横坐标标签 x轴标签要为标签文字添加点击事件,必须先在xAxis里设置响应事件 xAxis: {triggerEvent: true, },然后直接监听 thisChart.on("click" ,function (params) {console.log(params) });通过params.componentSubType来…

三、C语言中的分支与循环—break和continue语句(8)循环结构 完

本章分支结构的学习内容如下: 三、C语言中的分支与循环—if语句 (1) 三、C语言中的分支与循环—关系操作符 (2) 三、C语言中的分支与循环—条件操作符 与逻辑操作符(3) 三、C语言中的分支与循环—switch语句(4)分支结构 完 本章循环结构的…

720VR全景通微信小程序商业运营版+多用户+云储存+大图切图效率高+完整的代码包以及搭建教程 功能强大

随着科技的飞速发展,虚拟现实技术已经逐渐融入我们的日常生活。其中,720VR全景技术以其独特的视角和沉浸式体验,受到了广泛的关注和应用。为了满足市场需求,春哥团队推出了720VR全景通微信小程序商业运营版,集多用户、…

基于PI控制的PMSM永磁同步电机控制系统simulink建模与仿真

目录 1.课题概述 2.系统仿真结果 3.核心程序与模型 4.系统原理简介 4.1 PMSM数学模型 4.2 矢量控制策略 4.3 PI控制器设计 4.4 控制系统实现 5.完整工程文件 1.课题概述 基于PI控制的PMSM永磁同步电机控制系统simulink建模与仿真。其中,基于PI(…

使用UDP和JSON在C#中高效发送结构体数据

使用UDP和JSON在C#中高效发送结构体数据 引言 在许多网络编程场景中,我们经常需要在不同的应用程序或服务之间发送和接收数据。UDP(用户数据报协议)因其低延迟和少开销的特点,在需要快速数据传输的场景中非常有用。本文介绍了如何…

【FPGA/verilog -入门学习15】vivado FPGA 数码管显示

1,需求:使用xc720 开发板的8个数码管显示12345678 2,需求分析: 75hc595 1,74hc595驱动,将串行数据转换成并行输出。对应研究手册 2,发送之前将要发的数据,合并成高8位:SEG,低8位&…

【算法】利用分治思想解算法题:快排、归并、快速选择实战(C++)

1. 分治思想 介绍 分治法将问题划分成多个相互独立且相同或类似的子问题,然后递归地解决每个子问题,并将结果合并以得到原始问题的解。 分治思想通常包含以下三个步骤: 分解:将原始问题划分成多个规模较小、相互独立且类似的子…

如何恢复 iPhone 上永久删除的照片?

2007年,苹果公司推出了一款惊天动地的智能手机,也就是后来的iPhone。你会惊讶地发现,迄今为止,苹果公司已经售出了 7 亿部 iPhone 设备。根据最新一项调查数据,智能手机利润的 95% 都进了苹果公司的腰包。 如此受欢迎…

用户管理第2节课--idea 2023.2 后端--实现基本数据库操作(操作user表) -- 自动生成 --【本人】

一、插件安装 1.1 搜索插件 mybatis 安装 1.2 接受安装 1.3 再次进入,说明安装好了 1.4 与鱼皮不同点 1)mybatis 版本不一致 鱼皮: 本人: 2)鱼皮需重启安装 本人不需要 1.5 【需完成 三、步骤,再来看】 …

webpack 5 loader

webpack 本身不能识别js&#xff0c;json外的资源&#xff0c;所以我们需要借助其他loader来处理对应的文件 CSS Loader&#xff0c;处理css 安装 npm i css-loader style-loader -D css-loader 负责讲css编译成webpack能识别的模块内容style-loader 动态创建<style&g…