检索结果-内蒙古大学图书馆

软件学报 2018年第10期29卷 3184-3204页

作者：吴瑕唐祖锴祝园园彭煜玮彭智勇软件工程国家重点实验室(武汉大学) 湖北武汉430072 武汉大学计算机学院湖北武汉430072 武汉理工大学计算机科学与技术学院湖北武汉430070

随着GPS定位技术的不断发展与智能移动设备的普及,轨迹数据的获取变得越来越容易,同时,轨迹数据相关应用的需求也逐渐增多.在轨迹数据上加入语义信息,可以得到体积较小、质量较高、能够更好地反映用户行为的语义轨迹,在其上实现旅游线... 详细信息

随着GPS定位技术的不断发展与智能移动设备的普及,轨迹数据的获取变得越来越容易,同时,轨迹数据相关应用的需求也逐渐增多.在轨迹数据上加入语义信息,可以得到体积较小、质量较高、能够更好地反映用户行为的语义轨迹,在其上实现旅游线路推荐、路线预测、用户生活模式挖掘、朋友推荐等应用,可以更好地满足用户需求.挖掘语义轨迹的频繁模式是实现这些应用的技术基础,而在很多情况下,用户对语义轨迹频繁模式常存在到达时间方面的需求,比如按特定时间游玩热门景点的同时需要按时到达车站候车.现有的语义轨迹模式挖掘方法大多没有考虑到达时间的约束,挖掘出的频繁模式缺少到达时间信息;少数方法考虑了精确的到达时间,但因为约束太强会导致无法挖掘到频繁的模式.因此,首次对近似到达时间约束下的语义轨迹频繁模式(approximatearrival-time constrained frequent pattern,简称AAFP)挖掘方法进行了研究,并给出了其形式化定义;通过时间轴划分提出了挖掘AAFP的基线算法,并通过建立索引AAP-tree提出了改进后的高效、灵活的AAFP挖掘算法;之后提出了信息熵增量公式,并给出了时间轴划分及AAP-tree的高效维护方法;最后在真实数据集上进行实验,验证了方法的有效性及高效性.

关键词：轨迹数据语义轨迹近似到达时间轨迹频繁模式频繁模式挖掘

来源：评论

学校读者我要写书评

暂无评论

出租车GPS轨迹的频繁模式挖掘研究

出租车GPS轨迹的频繁模式挖掘研究

引用

作者：邓惠文西南财经大学

学位级别：硕士

随着机动车保有量增多和全球定位系统的普及,采集车辆移动数据变得十分便利,且数据规模愈加庞大。车辆移动数据蕴含丰富的城市居民出行规律。轨迹频繁模式挖掘作为分析移动数据的基础方法,其内涵可拓展为热点区域提取和频繁路径挖掘。... 详细信息

随着机动车保有量增多和全球定位系统的普及,采集车辆移动数据变得十分便利,且数据规模愈加庞大。车辆移动数据蕴含丰富的城市居民出行规律。轨迹频繁模式挖掘作为分析移动数据的基础方法,其内涵可拓展为热点区域提取和频繁路径挖掘。基于出租车GPS轨迹数据的频繁模式挖掘研究可从中掌握城市路网流量情况,发现城市交通出行规律,从而为管理者提供有价值的辅助决策信息。目前轨迹频繁模式挖掘研究主要关注频繁路径挖掘算法的完善,未将轨迹预处理技术和热点区域提取技术纳入其体系,在实际应用中未形成统一方法流程,从而导致算法复现困难,且数据的语义信息不能得到充分挖掘;对于热点区域提取,现有研究主要基于DBSCAN算法,但其不适用于密度分布不均的出租车GPS位置数据;对于频繁路径挖掘,常规聚类方法只限于对地理位置信息进行分析,忽略了轨迹在时间上的变化分布,无法精准地掌握移动对象的出行特征。针对上述问题,本文充分考虑轨迹数据特性,构建了基于出租车GPS轨迹数据的频繁模式挖掘总体框架。框架针对热点区域提取和频繁路径挖掘这两项任务,给出了轨迹预处理的方法流程,提出了一种能有效解决数据分布不均的算法,解决了热点区域提取任务存在的问题;此外,还在仅考虑了空间因素的TRACLUS算法基础上引入时间因素,完善了频繁路径挖掘算法。论文研究具体主要包括以下四个方面:(1)完善了轨迹频繁模式挖掘的总体框架。给出了轨迹定义、建模表示和主要特征三方面的基础概念;从三种类型详细介绍了轨迹聚类中关键技术——轨迹相似度度量;针对现有频繁模式挖掘研究主要集中在频繁路径挖掘的局限,将其内涵拓展为热点区域提取和频繁路径挖掘两项任务,从预处理到算法实现制定了方法流程,实现了对频繁模式挖掘总体框架的建立。(2)创建了基于不同任务的轨迹数据预处理方法。从轨迹数据特征出发,围绕热点区域提取和频繁路径挖掘两项任务,分别选择合适的预处理技术。通过数据清洗获取上下客点和载客轨迹;通过将经纬度转换为大地平面直角坐标系上坐标,方便了距离的计算和算法参数的设定;通过地图匹配减少了采集数据偏移的影响。(3)提出了基于邻域距离关联的质量阈值聚类算法,解决了城市热点区域提取问题。算法在质量阈值算法的基础上改进,考虑了有限范围内聚类数量最大化、聚类中心与局部密度间的紧密性,有效解决了数据分布不均的问题,与质量阈值算法和DBSCAN算法进行可视化和算法质量评估的对比分析显示:提出的算法能清晰地找到聚集位置,且在多组对比实验中,其轮廓系数均在0.65以上,显著高于质量阈值算法和DBSCAN算法。最后将该方法应用于成都市热点区域提取,验证了算法的实用性。(4)提出了基于时间因素的ST-TRACLUS聚类算法,解决了出租车频繁路径挖掘问题。该算法是对TRACLUS算法的扩展,在TRACLUS算法的度量空间相似度的基础上,引进了时间因素,即根据Jaccard距离的概念了定义时间距离作为距离计算关键变量,提出了STTRACLUS聚类算法。与TRACLUS算法进行可视化和算法质量评估对比分析显示:ST-TRACLUS更好地识别出了出租车在时空上的路段聚集处,且该算法多组轮廓系数均显著高于TRACLUS。最后将该方法应用于成都市频繁路径挖掘,验证了算法的实用性。

关键词：轨迹频繁模式轨迹预处理热点区域轨迹聚类频繁路径

来源：评论

学校读者我要写书评

暂无评论

频繁轨迹表达及其模式挖掘算法研究

频繁轨迹表达及其模式挖掘算法研究

引用

作者：李云鹏昆明理工大学

学位级别：硕士

在大数据背景下,时空轨迹频繁模式挖掘是数据挖掘领域的研究热点,是对移动对象的行为模式和规律进行分析的一个重要方法,在基于位置服务的城市规划、交通运输、出行服务、旅游推荐等多个方面取得了良好应用,给经济发展和社会生活带来深... 详细信息

在大数据背景下,时空轨迹频繁模式挖掘是数据挖掘领域的研究热点,是对移动对象的行为模式和规律进行分析的一个重要方法,在基于位置服务的城市规划、交通运输、出行服务、旅游推荐等多个方面取得了良好应用,给经济发展和社会生活带来深远的影响。轨迹频繁模式作为频繁模式的一种,一方面,时空轨迹数据不仅具有时间、位置和语义三大特性,而且具有长短不一,复杂多样等特点,这导致了轨迹表达困难,难以直接应用传统的频繁模式挖掘算法。另一方面,轨迹数据属于海量大规模数据,挖掘效率制约其应用发展。针对以上问题,本文在分布式计算模式的基础上,提出了频繁轨迹表达及其模式挖掘算法研究,主要内容如下:(1)针对轨迹数据长短不一、复杂多样等特点带来轨迹表达困难的问题,提出并设计了一种启发式轨迹线段分布式聚类算法,用作对轨迹中的公共子线段的划分。该算法首先确定轨迹线段聚类的个数,并选取每个簇的中心线段,然后计算其它所有轨迹线段与各中心线段质心之间的距离,并将每条轨迹线段归并至与其最近的中心线段簇中,通过多次迭代,得到稳定收敛的聚类结果。该算法利用几何学的方法寻找轨迹线段簇心并对邻近的轨迹进行聚类,减少了噪声轨迹的影响。最后采用公共数据集进行了实验验证,结果表明该算法有效地提升了轨迹表达效果。(2)针对轨迹数据规模大、单机处理效率低的问题,在分布式计算框架的基础上,提出并设计了一种基于前缀剪枝的轨迹频繁模式挖掘算法。首先,发挥Spark基于内存计算优势,计算获得频繁轨迹1项集。其次,为了减小投影数据集的产生规模和减少扫描次数,在频繁轨迹1项集的基础上通过前缀剪枝的方式,构建投影数据集,然后将其与前缀项连接起来形成频繁轨迹序列,进一步挖掘获得频繁轨迹路径。最后,从算法运行时间、性能及拓展性等方面,将该算法与其它算法进行对比,在公共数据集上的实验结果表明本文所提出的算法具有良好的性能,提升了轨迹数据挖掘效率。

关键词：轨迹频繁模式轨迹表达数据挖掘分布式

来源：评论

学校读者我要写书评

暂无评论

时空轨迹大数据模式挖掘研究进展

引用

数据采集与处理 2015年第1期30卷 47-58页

作者：吉根林赵斌南京师范大学计算机科学与技术学院南京210023

时空轨迹挖掘是数据挖掘领域的前沿研究课题,通过研究和开发时空轨迹挖掘技术,来发现隐藏在轨迹大数据中有价值的规律和知识以供决策支持。本文介绍了时空轨迹大数据模式挖掘与知识发现领域的研究进展;然后对时空轨迹模式挖掘技术产生... 详细信息

时空轨迹挖掘是数据挖掘领域的前沿研究课题,通过研究和开发时空轨迹挖掘技术,来发现隐藏在轨迹大数据中有价值的规律和知识以供决策支持。本文介绍了时空轨迹大数据模式挖掘与知识发现领域的研究进展;然后对时空轨迹模式挖掘技术产生的背景、应用领域和研究现状作了简介,并探讨了面向时空轨迹大数据模式挖掘的研究内容、系统架构以及关键技术,最后对时空轨迹频繁模式、伴随模式、聚集模式和异常模式的挖掘算法思想进行了阐述。

关键词：时空轨迹模式挖掘时空轨迹大数据轨迹频繁模式轨迹伴随模式轨迹聚集模式轨迹异常模式

来源：评论

学校读者我要写书评

暂无评论

校园环境下学生的移动轨迹挖掘及应用研究

校园环境下学生的移动轨迹挖掘及应用研究

引用

作者：陈浩南京理工大学

学位级别：硕士

近年来,随着大数据获取技术的迅速发展,使得数据挖掘在各个领域的应用越来越广泛。在日常生活中,人们的出行会产生大量的轨迹信息,这些信息蕴含了丰富的行为规律,通过对轨迹数据进行挖掘,可以为用户提供更加个性化的服务。本文研究是基... 详细信息

近年来,随着大数据获取技术的迅速发展,使得数据挖掘在各个领域的应用越来越广泛。在日常生活中,人们的出行会产生大量的轨迹信息,这些信息蕴含了丰富的行为规律,通过对轨迹数据进行挖掘,可以为用户提供更加个性化的服务。本文研究是基于高校学生日常出行的应用场景中,根据学生自身行为特性,对学生的轨迹数据进行挖掘,分析其出行规律。本文针对数据预处理、停留点识别和频繁模式挖掘等工作做了以下研究:(1)介绍轨迹数据基础知识并分析轨迹挖掘中需要用到的关键技术。(2)给出学生移动轨迹预处理算法,在对轨迹数据采集点及其GPS数据进行分析的基础上,将轨迹数据进行坐标转换,对漂移以及异常数据进行过滤;最后对缺失的移动轨迹进行识别并填补,得到修正后的轨迹数据。(3)对轨迹数据中的停留点进行识别提取,对比停留点识别方法,选用改进的TS-DBSCAN聚类算法进行识别,通过获得的簇内停留点,并结合时间信息,提取按时间序列分布的停留点,为挖掘学生日常出行规律做数据支撑。再把获得的停留点语义化,并结合校园建筑和学生出行特点,把停留点都归类到学生不同的停留活动类型之中。(4)对校园环境下学生的出行模式进行了定义,并研究学生一个月的轨迹数据,对其行为轨迹进行分析,将频繁出行模式与频繁序列行为模式在一起做对比,进行可视化图表分析得出该学生的出行规律。

关键词：轨迹频繁模式停留点识别行为轨迹分析轨迹挖掘数据可视化

来源：评论

学校读者我要写书评

暂无评论

基于电信大数据的缺失轨迹填补与挖掘

基于电信大数据的缺失轨迹填补与挖掘

引用

作者：王孝平南京理工大学

学位级别：硕士

随着智能手机用户的增长以及移动通信技术的发展，通过移动手机收集到的用户移动轨迹数据愈发丰富。关于用户移动轨迹大数据的挖掘成为重要课题，旨在将用户轨迹转化为更有价值的行为信息或用户特性分析。在轨迹数据挖掘过程中，缺失轨... 详细信息

随着智能手机用户的增长以及移动通信技术的发展，通过移动手机收集到的用户移动轨迹数据愈发丰富。关于用户移动轨迹大数据的挖掘成为重要课题，旨在将用户轨迹转化为更有价值的行为信息或用户特性分析。在轨迹数据挖掘过程中，缺失轨迹的存在成为轨迹挖掘中不可避免的问题。如果能够较为准确和快速的恢复缺失轨迹段，可以恢复用户长时间的轨迹，提高对用户行为分析的完整度，还可以从填补后的轨迹中筛选常见兴趣点，推断出用户日常的的频繁轨迹路线，提高用户频繁轨迹模式挖掘的准确度。　　目前，对于缺失轨迹段填补的方法主要分为两种。一种利用插值法根据轨迹缺失端点的速度、方向和加速度推算出可能的移动轨迹对短时间内轨迹缺失进行填补，而在移动轨迹数据中常出现长时间的轨迹缺失。另一种是基于相似度填补算法，但当轨迹长度不同时，相似度计算容易出现偏差，从而影响填补准确度。同时上述方法只利用了轨迹数据的地理位置特性，而忽略了其中包含的时间序列特性，并且没有对缺失轨迹进行分类填补，导致填补效率较低且准确性较低。　　本文首先统计分析了电信测量报告（MR）数据的特征，根据抽样用户历史电信轨迹数据的特点，对缺失电信轨迹段进行分类。提出了一种根据缺失轨迹段性质进行分类填补的方法，分别采用停留点插补法和相似历史轨迹段填补法对缺失数据进行填补。其中针对第二类缺失轨迹提出了一种基于停留区域、停留点、停留时间的加权相似度判定算法。为减少用户相似轨迹查找过程中的误差，通过停留区域的停留时间对Jaccard相似度计算公式进行改进，使空缺轨迹段更准确地找到相似历史轨迹。同时将DBSCAN算法进行缩小计算范围的改进应用于电信轨迹停留点位置的精准查找。此外，论文在填补后的电信轨迹数据基础上，识别用户的频繁轨迹模式。　　利用填补后的电信轨迹数据，将轨迹数据通过兴趣区域识别算法转换为兴趣区域构成的时空轨迹序列。然后应用部分串表压缩算法（PLZW，Partial Lempel-Ziv-Welch Encoding)算法对时空轨迹序列进行字符串的重复模式识别，并且计算重复子字符串的出现次数，输出符合设定长度阈值的频繁子字符串，同时输出其在轨迹字符串中出现的次数。最后将子字符串中出现次数达到频繁模式阈值的标准的字符串输出，标记为电信用户的频繁轨迹模式。　　论文针对真实的电信用户轨迹数据的试验和验证结果显示，由轨迹分类填补算法能有效填充电信缺失轨迹，解决了长时间段的电信轨迹缺失问题，对缺失轨迹的轨迹模式挖掘具有帮助。本文提出的PLZW算法解决了根据电信轨迹数据识别用户个人频繁轨迹模式的问题，并且根据填补后轨迹挖掘用户的频繁轨迹模式，能有效的充分利用缺失轨迹挖掘出用户的活动规律，有助于用户个人属性识别。

关键词：电信大数据缺失轨迹分类填补相似度判定部分串表压缩算法轨迹频繁模式

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：