检索结果-内蒙古大学图书馆

智能系统学报 2021年第1期16卷 162-169页

作者：郭茂祖邵首飞赵玲玲李阳北京建筑大学电气与信息工程学院北京100044 北京建筑大学建筑大数据智能处理方法研究北京市重点实验室北京100044 哈尔滨工业大学计算机科学与技术学院黑龙江哈尔滨150001

传统的活动语义识别研究侧重从时空轨迹的空间信息中提取人类的活动语义,对时空轨迹数据的时间特性挖掘不足。本文兼顾时间和空间特征,提出了一种基于周期模式挖掘的活动语义识别方法。首先将分离出的活动轨迹数据通过空间距离进行密度... 详细信息

传统的活动语义识别研究侧重从时空轨迹的空间信息中提取人类的活动语义,对时空轨迹数据的时间特性挖掘不足。本文兼顾时间和空间特征,提出了一种基于周期模式挖掘的活动语义识别方法。首先将分离出的活动轨迹数据通过空间距离进行密度聚类分成不同轨迹簇;然后,根据轨迹簇的时序特征挖掘个体对特定位置的访问周期,基于该访问周期,并结合在该位置的停留时间,及其附近兴趣点分布等特征构建分类模型,识别人类个体的活动语义。基于签到数据和仿真数据的实验结果表明,结合周期特征的活动语义识别方法相比没有加入周期特征的实验结果有效提升识别精度20%以上,在2个相同的签到数据集下,对比其他的识别方法提升精度10%以上。

关键词：时空轨迹时空紧密相连性密度聚类停留时间活动语义识别周期模式挖掘随机森林

来源：评论

学校读者我要写书评

暂无评论

基于离散序列的局部周期模式挖掘

基于离散序列的局部周期模式挖掘

引用

作者：杨鹏哈尔滨工业大学

学位级别：硕士

随着互联网技术的发展,各行各业的数据呈现爆炸式增长。为了从这些数据中挖掘出有用的知识,越来越多的数据挖掘技术得到了广泛的研究。频繁项集挖掘就是其中一种流行的数据分析任务。其目标是识别交易数据库中那些经常出现的模式。如果... 详细信息

随着互联网技术的发展,各行各业的数据呈现爆炸式增长。为了从这些数据中挖掘出有用的知识,越来越多的数据挖掘技术得到了广泛的研究。频繁项集挖掘就是其中一种流行的数据分析任务。其目标是识别交易数据库中那些经常出现的模式。如果模式的支持度(出现频率)小于最小支持度阈值,则称其为频繁模式。频繁模式挖掘有许多应用,而且也启发了许多其他数据挖掘任务,包括关联规则挖掘、序列模式挖掘、聚类和分类等等。虽然频繁模式很有用,但是只通过支持度的限制会经常性得到过多的频繁模式,并且其中许多对用户来说是无趣的。因此,用户分析频繁模式可能非常耗时。为了解决这个问题,有许多变种模式被提出并研究。它们是通过考虑用户各种感兴趣的约束来得到更小的模式集。周期模式便是最近的一个热门研究课题,它通过约束模式出现的周期性,即在两个连续出现时间点不超过最大距离的限制。周期模式在许多领域都有实际的应用,如分析股市数据以识别周期性的股市波动,分析网站点击来提高推荐系统的性能以及在DNA序列中发现频繁相关的基因。周期模式的另一个重要应用是通过发现定期购买的商品来研究顾客的购买行为,以达到营销和库存管理的目的。然而,传统的周期模式挖掘研究有两个主要的局限性。一个是大多数算法通过测量相同模式之间的记录数量来识别周期模式,而不依赖真实的时间戳。这样相隔一秒的记录数量与相隔几个小时的记录数量会被同等对待,这是不现实的。另一个局限性是在传统周期模式挖掘中周期模式必须在整个时间范围内都得保持周期性。这样会忽略在局部时间段具有周期性的模式。例如,荔枝主要在夏天销售,那么它可能只在特定的几个月内具有高周期性。如果利用传统的模式挖掘算法应用在近几年的交易数据库中,用户将无法得到重要的时间区间信息。基于此,本研究提出一个更加面向真实场景的新的问题局部周期模式。周期模式挖掘基于频繁模式挖掘。简单来说,周期模式挖掘就是在交易数据库中那些周期性出现的模式。周期模式挖掘就是在频繁模式挖掘的基础上限制了模式出现的间隔的大小。更加准确的定义如下:在如第三章的数据库中,每一个TID代表了一行记录的编号,它是满足自增长性的。每一行记录里包括了一次交易和该交易发生的时间戳。每一次交易包含一个或多个不同的项。传统的周期模式挖掘是通过考虑相同模式之间TID的差值作为衡量周期的方法,在确定差值需要满足的一个阈值后,问题的要求就是找到所有小于该阈值的项集。因为引入了周期性的概念,所以大多数频繁模式挖掘的算法不能直接应用在周期模式挖掘上。为了解决这个问题,很多高效的算法被提出来,像PF-tree,PFPM等。周期模式挖掘已经有很多学者做了充分的研究,本篇论文将重点研究基于传统模式挖掘的拓展上。具体的,传统的周期模式挖掘并没有考虑交易所对应的时间戳,而是基于自增正的TID来计算与衡量模式的周期性,这是不符合实际的。同时,传统的周期模式只能判断是否在整个数据库中具备周期性,而无法得到具体在哪些时间段具有周期性。所以很多有用的知识无法被充分挖掘,而本次研究就是基于此提出的一个新问题。本篇论文将利用交易对应的真实时间戳来计算模式的周期。因为TID的值是从1开始自增长,为了方便计算,传统的周期模式挖掘会给每一个模式增加一个额外的TID为0,来作为统一的起始点。而在本篇论文中,不会引入不存在的额外起始点。那么传统的周期模式挖掘基于TID来计算周期的数量将会比本篇论文基于真实时间戳计算周期的数量多1。在如第三章正文所示的交易数据库中,其中(a,b,c,d,e)表示该数据库中所有的项,每一行的记录的第一列代表其TID,第二列表示了该交易(用Tc表示,其中c表示对应的TID)中所涉及的项,第三列表示了该交易所对应的真实时间(用tc表示,其中c表示对应的TID)。项集{a,b}包含了{a}项集和{b}项集,它出现在T,T,T和T中。利用TID,传统模式挖掘将得到其周期(正文区分定义为gap)为{1-0,2-1,3-2,9-3,10-9}={1,1,1,6,1}。而利用真实时间戳,本篇论文将得到的周期(正文区分定义为per)为{ts-t s,t s-t s,t s-t s,t s-t s}={7-6,9-7,23-9,25-23}={1,2,14,2}。可以看出,这两种计算方式具有较大的差别。在传统模式挖掘中,通常使用周期的最大值来代表其周期性,如果其最大值小于用户所设定的阈值,那么我们就说该模式是周期模式。如果设定最大阈值为3,那么传统周期模式挖掘将会丢弃{a,b},因为其最大的周期是6。我们可以看到,其他值都是小于阈值的,该模式在一定范围内也是满足周期性的。而在局部周期模式中,那些满足周期性要求的区间将不会被丢弃。本篇论文提出了两个新的衡量方法去识别时间区间和评估模式在此区间的周期性,分别称为最大溢出周期和最小持续时长。最大溢出周期被用来识别

关键词：数据挖掘周期模式挖掘局部周期模式

来源：评论

学校读者我要写书评

暂无评论

时间序列周期模式挖掘算法分析

引用

中国管理信息化 2016年第3期19卷 173-174页

作者：邹蕾北京科技大学东凌经济管理学院北京100083

时间序列周期模式的挖掘无论对科研活动还是社会生活都有非常大的实际意义,有利于更好的预测及趋势分析。已有的时间序列周期模式挖掘算法根据周期长度参数是否已知可分为三类:已知周期长度、给定周期长度阈值及周期长度未知的周期模式... 详细信息

时间序列周期模式的挖掘无论对科研活动还是社会生活都有非常大的实际意义,有利于更好的预测及趋势分析。已有的时间序列周期模式挖掘算法根据周期长度参数是否已知可分为三类:已知周期长度、给定周期长度阈值及周期长度未知的周期模式挖掘。

关键词：周期模式挖掘周期长度算法综述

来源：评论

学校读者我要写书评

暂无评论

个体时空轨迹活动语义识别方法研究

个体时空轨迹活动语义识别方法研究

引用

作者：邵首飞北京建筑大学

学位级别：硕士

智能移动终端的广泛应用提供了海量个体位置相关的时空数据。相比原始的时空轨迹数据,带有语义的活动轨迹数据更能直观的反应人类的具体活动。识别原始时空轨迹的活动语义有助于深入了解个体的生活模式,为个体提供定制化服务,同时也能... 详细信息

智能移动终端的广泛应用提供了海量个体位置相关的时空数据。相比原始的时空轨迹数据,带有语义的活动轨迹数据更能直观的反应人类的具体活动。识别原始时空轨迹的活动语义有助于深入了解个体的生活模式,为个体提供定制化服务,同时也能进一步识别群体的共性特征和需求,从而优化社会资源配置。以往获取用户活动语义的方式是对用户进行问卷调查,该方法会消耗大量的人力与物力。全球定位系统设备和智能移动终端的大量普及,产生的大规模定位数据为活动语义识别提供了新的解决方案。以往一些研究是通过分析轨迹数据的空间信息或者时间信息来识别用户的活动语义。这些研究忽略了轨迹数据的时空紧密相连性和人类活动有着很强的周期性。本文基于以上问题,从原始轨迹数据和社交媒体签到数据中提取用户的空间特征和时间特征,挖掘出用户的周期模式特征,构建分类器和网络模型识别用户的活动语义。本文的研究内容包括:(1)针对时空轨迹的紧密相连性,提出了基于周期模式挖掘的轨迹时空特征表示方法。首先,根据轨迹的时空距离,使用密度聚类将原始的时空轨迹数据和社交媒体签到数据进行聚类,得到活动轨迹簇。然后,提取每个活动轨迹簇的参考点,得到活动参考点序列。最后,针对活动参考点序列使用Lomb Scargle周期图挖掘用户的活动语义周期。(2)在表示出个体轨迹周期模式特征的基础上,结合提取用户轨迹的空间特征和时间特征,提出使用随机森林和门控循环单元网络的方法来构建个体活动语义识别模型,进而识别用户的活动语义。通过与以往研究方法的对比,验证了本文方法具有更好的识别精度。(3)设计并实现了个体时空活动语义识别系统,集成了轨迹数据采集与仿真、数据清洗、活动语义识别演示等功能模块,可视化的展示个体时空轨迹中活动语义的识别过程和结果。实验结果验证了本文活动语义识别方法的有效性和具有更好的识别精度。在有无周期模式特征加入的对比实验中,加入周期模式特征能有效提升识别精度20%以上;在与其他活动语义识别方法的对比实验中,本文的识别方法表现出更好的分类性能,在NYC和TKY两个公开的签到数据集上识别精度分别提升了10.8%和23.7%。

关键词：时空轨迹活动语义识别周期模式挖掘随机森林门控循环单元网络

来源：评论

学校读者我要写书评

暂无评论

基于数据挖掘的居民行为分析方法研究

基于数据挖掘的居民行为分析方法研究

引用

作者：马聪青岛理工大学

学位级别：硕士

随着科学技术与社会的发展,居民的日常生活变得越来越丰富多彩,居民也越来越喜欢分享的自己日常生活,表现为居民基于位置的社交网络签到数据呈现指数级的增长。居民的签到数据中包含着十分丰富的时空信息和居民偏好信息,合理的收集并分... 详细信息

随着科学技术与社会的发展,居民的日常生活变得越来越丰富多彩,居民也越来越喜欢分享的自己日常生活,表现为居民基于位置的社交网络签到数据呈现指数级的增长。居民的签到数据中包含着十分丰富的时空信息和居民偏好信息,合理的收集并分析居民的签到数据对于城市规划者和其战略合作伙伴制定适当的城市管理政策至关重要。一方面,针对居民的需求,可以推出相应的政策,提高居民的生活质量;另一方面,根据居民的行为模式特点,可以对各种潜在的突发情况提前做好防范措施,在问题出现的初期就将其解决,避免居民的日常生活受到严重影响。这类举措可以有效提升政府的社会公信力和居民生活的安全感、幸福感。居民签到行为分析大致可以分为数据收集与数据挖掘两个步骤。通过使用恰当的数据挖掘方法,可以从大量的签到数据中提取出居民的行为特点。然而,现有的居民签到行为挖掘工作存在着以下问题:数据集方面,现有研究的数据集存在无法完整捕捉居民一天中完整行为的问题,从而无法完整的捕捉居民的行为模式;挖掘方法方面,统计学方法因其只是使用简单的数学处理,往往无法捕捉到潜藏在大规模签到数据中的居民行为模式;单一的K-Means聚类方法无法对居民签到行为进行良好的聚类,存在很容易陷入局部最优解且很容易受到初始聚类中心影响的问题;而且大部分研究的重点都在于热点地区识别、居民分类、行为预测,对居民行为模式挖掘的工作很少;并且现有的工作往往都只关注整体或部分热点地区,而忽略了个人层面。针对上述问题,本文首先分析了居民签到行为数据挖掘的需求,并在提高数据完整性的同时,使用统计学、改进的聚类算法、全新的模式挖掘算法从整体、部分、个人的层面实现居民签到行为的全面提取与分析。具体研究内容及创新点如下:1、提出了一个完整的居民签到行为提取与分析框架,包括从数据收集、数据预处理、数据挖掘、结果分析与解释的完整分析过程。该框架使用统计学、聚类、模式挖掘等技术从整体、部分、个人三个层面全方位多角度的提取并分析居民的行为模式及其时间特征。基于美国居民大型场馆签到数据集的案例研究证明了所提出框架可以有效捕捉居民的行为模式特点并为城市管理者提供决策支持。该居民签到数据集是通过Foursquare结合Twitter API收集的,数据真实性高且可以有效捕捉在居民一天的活动中每个签到地点的实际信息。2、提出了改进的K-Means聚类方法KDE-Means-Shift,改善K-Means对居民签到行为数据集聚类效果差的问题。为了提高居民签到行为的聚类结果,需要优化初始聚类中心的选择与聚类数目的确定过程,KDE-Means-Shift算法使用核密度估计KDE获取数据分布信息,找到数据最密集的多个位置作为Mean-Shift算法的输入,然后运行Mean-Shift算法确定初始聚类中心位置以及最终聚类个数,最后将此信息作为K-Means算法的输入,运行K-Means算法得到最终聚类结果。经过实验证实,提出的方法可以有效改善居民签到数据的聚类结果。3、提出了使用CM-SPAM和PFPM模式挖掘算法提取美国居民签到数据中的顺序行为模式与周期行为模式。这两种模式挖掘算法都考虑了居民行为的时间特征,可以从整体与个人层面有效捕捉居民行为模式的顺序与周期特点。在收集的2020年疫情期间美国居民签到数据上进行的实验,证明了上述方法对比传统模式挖掘算法具有运行速度快、挖掘结果可解释性强等优点。

关键词：数据挖掘签到行为分析顺序模式挖掘周期模式挖掘聚类

来源：评论

学校读者我要写书评

暂无评论

共现行为的周期性探测与研究

共现行为的周期性探测与研究

引用

作者：廉飚太原理工大学

学位级别：硕士

随着互联网应用的普及以及存储技术的发展,经常会遇到海量的结构复杂的数据需要分析,如微博信息数据、生物学数据、电子商务数据和移动信息数据等等,这些数据都可以用树结构或图结构来表示,并且在时间序列上是连续的。如何对这些时间序... 详细信息

随着互联网应用的普及以及存储技术的发展,经常会遇到海量的结构复杂的数据需要分析,如微博信息数据、生物学数据、电子商务数据和移动信息数据等等,这些数据都可以用树结构或图结构来表示,并且在时间序列上是连续的。如何对这些时间序列数据进行挖掘,从中提取出我们需要的信息,已经成为数据挖掘研究领域的热点。不过目前的时间序列数据挖掘技术还处于起步阶段,挖掘算法有待补充和完善。在现实应用中,时间序列上周期性更为常见,更加具有研究价值和意义,是时间序列数据挖掘的研究热点。现实生活中,经常会有一些人周期性的共同做一些事情,如：每天早晨固定的一些老年人在广场锻炼,基督教徒每周日去教堂做礼拜等。这些周期性共同出现的人,很有可能由不认识的人变为好友。我们挖掘出这些人,在好友关系发现上可以做一些预测。再比如,某个家庭主妇每隔固定时间逛一次超市买一些生活消耗品(如肥皂、油、米、面等),我们挖掘出周期性共同购买的产品后,可以进行商品推荐服务。所以,本文就选择了时间序列周期模式挖掘为主要研究对象。本文首先介绍了时间序列数据挖掘的研究现状,然后对现有的时间序列周期模式挖掘算法进行了详细的分析。目前,大多数的研究都是对全局周期模式挖掘的研究,有很多有用的周期模式仅发生在时间序列的某个局部时间段上,现有的算法不能挖掘出这样在某个时间段频繁发生的周期模式。在分析了Aprior算法、类Aprior算法以及最大子模式命中算法后。发现最大子模式命中算法相对于类Apriori算法在挖掘的效率上有了明显提高,但仍需要对时间序列的数据库扫描两次,并且都要对模式进行频繁计数等工作。针对以上不足,本文提出一种基于更新模式树的周期模式挖掘算法,该算法能够全部实现前人算法的功能,并拥有更大的优势：能够挖掘出只在局部频发出现的周期模式；能够同时进行多个周期模式的挖掘等。并且在扫描数据库的次数上,只用扫描一次,大大的提高了算法效率。又因为只扫描一次数据库,在数据的输入形式上,能够支持动态输入数据。最后,在算法应用方面本文也进行了一定的研究,在研究人们共现行为的周期性上进行了初步的探索。对斯坦福大学公开的亚马逊网站购物数据、基于位置的社交网站Gowalla的移动数据进行了分析。

关键词：数据挖掘周期模式挖掘共现行为

来源：评论

学校读者我要写书评

暂无评论

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案：

请选择收藏分类：

通借通还

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：