基于時空數(shù)據(jù)的頻繁軌跡挖掘算法研究

《基于時空數(shù)據(jù)的頻繁軌跡挖掘算法研究》由會員上傳分享，免費在線閱讀，更多相關內(nèi)容在學術論文-天天文庫。

1、分類號ＴＰ３９１學校代碼：１０６９７：２０１５２０９９２密級：：公開學號＿頎士字位論文ＭＡ’ＳＴＥＲＳＤＩＳＳＥＲＴＡＴＩＯＮ某于時空數(shù)據(jù)的頻繁軌跡挖掘算法研究學科名稱：軟件工程：作者：馬佳麗指導老師馮宏偉副教授西北大學學位評定委員會二〇一八年六月MiningFrequentTrajectorybasedonSpatio-TemporalDataAthesissubmittedtoNorthwestUniversityinpartialfulfillmentoftherequirementsfort

2、hedegreeofMasterinSoftwareEngineeringByMaJialiSupervisor:FengHongweiAssociateProfessorJune2018摘要摘要隨著定位技術及通信技術的發(fā)展，各類應用設備能夠采集到大量移動對象的軌跡數(shù)據(jù)，從軌跡數(shù)據(jù)中挖掘移動對象活動規(guī)律及模式已經(jīng)引起越來越多的關注。針對單一時間粒度下時空頻繁軌跡中蘊含群體活動規(guī)律語義信息挖掘不充分的問題，本文提出一種多維時間粒度下時空頻繁軌跡模式挖掘的方法。本文主要研究內(nèi)容如下：1.識別多維時間粒度下時空停留區(qū)域是實現(xiàn)多維時間粒度下時空頻繁區(qū)域及頻繁

3、軌跡模式挖掘的前提。因此，本文提出一種多維時間粒度下時空停留區(qū)域挖掘方法MTG_SR。首先，劃分時間粒度層次；其次，進行數(shù)據(jù)預處理，去除不相關及冗余的軌跡數(shù)據(jù)；最后，采用滑動時間窗與自適應停留區(qū)域識別方法相結(jié)合的策略挖掘多維時間粒度下的時空停留區(qū)域。2.針對基于網(wǎng)格方法識別時空頻繁區(qū)域產(chǎn)生硬邊界的問題，結(jié)合滑動時間窗策略挖掘頻繁區(qū)域時難以識別包含頻繁區(qū)域較多的時間區(qū)間問題，以及單一時間粒度下時空頻繁區(qū)域中蘊含移動對象活動規(guī)律語義信息挖掘不充分的問題，本文提出一種多維時間粒度下時空頻繁區(qū)域挖掘方法MTG_FR。首先，為避免采用基于網(wǎng)格方法識別時空頻繁區(qū)

4、域產(chǎn)生硬邊界的問題，提出基于集合論思想識別多維時間粒度下時空頻繁區(qū)域的方法；其次，提出基于高斯混合模型的自適應時間區(qū)間選擇方法，確定包含頻繁區(qū)域較多的時間區(qū)間，解決采用滑動時間窗策略由于滑動起點及窗口大小設置不合適導致真正包含頻繁區(qū)域數(shù)目較多的時間區(qū)間被分割的問題；最后，對多維時間粒度下自適應時間內(nèi)的頻繁區(qū)域進行可視化分析，挖掘出移動對象活動規(guī)律。實驗表明，相比單一時間粒度下時空頻繁區(qū)域挖掘，本方法能夠自適應更加充分地挖掘出隨時間變化移動對象活動規(guī)律的變化情況。3.針對單一時間粒度下難以充分挖掘出時空頻繁軌跡中蘊含群體移動模式語義信息的問題，本文提出

5、一種多維時間粒度下時空頻繁軌跡模式挖掘方法MTG_FTP。首先，基于經(jīng)典的序列模式挖掘方法GSP和PrefixSpan，本文提出多維時間粒度下頻繁軌跡模式挖掘方法MTG_GSP和MTG_PrefixSpan，識別多維時間粒度下頻繁軌跡模式；其次，采用本文所提自適應時間區(qū)間確定方法，基于高斯混合模型的置信區(qū)間選取包含頻繁軌跡模式較多的時間區(qū)間；最后，將識別出的頻繁軌跡模式可視化分析，挖掘出蘊含的群體移動模式語義信息。實驗表明，相比單一時間粒度下頻繁軌跡模式I西北大學碩士學位論文挖掘，本方法能夠自適應更加全面地挖掘出隨時間變化群體移動模式的變化情況。關鍵

6、詞：多維時間粒度，時空停留區(qū)域，時空頻繁區(qū)域，時空頻繁軌跡模式IIABSTRACTABSTRACTWiththerapiddevelopmentofpositioningandcommunicationtechnology,alargeamountoftrajectorydatahasbeencollected.Itgetsmoreandmoreattentiontoexcavatethehiddenregularlymovementandpatternsofmovingobjects.Tosolvetheproblemthatthesemantic

7、regularityandpatternisdiscoveredinsufficientlyusingsingletimegranularity,weproposeaspatio-temporalfrequenttrajectorypatternminingmethodbasedonmultidimensionaltimegranularity.Themainlycontentofthisthesisisasfollows:1.Thepremiseofminingfrequentregionsandtrajectorypatternsistoreco

8、gnizethestayregionsinmultidimensionaltimegranularity.I