基于時(shí)空數(shù)據(jù)的頻繁軌跡挖掘算法研究

《基于時(shí)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(fèi)在線閱讀，更多相關(guān)內(nèi)容在學(xué)術(shù)論文-天天文庫。

1、分類號ＴＰ３９１學(xué)校代碼：１０６９７：２０１５２０９９２密級：：公開學(xué)號＿頎士字位論文ＭＡ’ＳＴＥＲＳＤＩＳＳＥＲＴＡＴＩＯＮ某于時(shí)空數(shù)據(jù)的頻繁軌跡挖掘算法研究學(xué)科名稱：軟件工程：作者：馬佳麗指導(dǎo)老師馮宏偉副教授西北大學(xué)學(xué)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(shù)及通信技術(shù)的發(fā)展，各類應(yīng)用設(shè)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(guān)注。針對單一時(shí)間粒度下時(shí)空頻繁軌跡中蘊(yùn)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(shí)間粒度下時(shí)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(shí)間粒度下時(shí)空停留區(qū)域是實(shí)現(xiàn)多維時(shí)間粒度下時(shí)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(shí)間粒度下時(shí)空停留區(qū)域挖掘方法MTG_SR。首先，劃分時(shí)間粒度層次；其次，進(jìn)行數(shù)據(jù)預(yù)處理，去除不相關(guān)及冗余的軌跡數(shù)據(jù)；最后，采用滑動時(shí)間窗與自適應(yīng)停留區(qū)域識別方法相結(jié)合的策略挖掘多維時(shí)間粒度下的時(shí)空停留區(qū)域。2.針對基于網(wǎng)格方法識別時(shí)空頻繁區(qū)域產(chǎn)生硬邊界的問題，結(jié)合滑動時(shí)間窗策略挖掘頻繁區(qū)域時(shí)難以識別包含頻繁區(qū)域較多的時(shí)間區(qū)間問題，以及單一時(shí)間粒度下時(shí)空頻繁區(qū)域中蘊(yùn)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(shí)間粒度下時(shí)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(shí)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(shí)間粒度下時(shí)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(yīng)時(shí)間區(qū)間選擇方法，確定包含頻繁區(qū)域較多的時(shí)間區(qū)間，解決采用滑動時(shí)間窗策略由于滑動起點(diǎn)及窗口大小設(shè)置不合適導(dǎo)致真正包含頻繁區(qū)域數(shù)目較多的時(shí)間區(qū)間被分割的問題；最后，對多維時(shí)間粒度下自適應(yīng)時(shí)間內(nèi)的頻繁區(qū)域進(jìn)行可視化分析，挖掘出移動對象活動規(guī)律。實(shí)驗(yàn)表明，相比單一時(shí)間粒度下時(shí)空頻繁區(qū)域挖掘，本方法能夠自適應(yīng)更加充分地挖掘出隨時(shí)間變化移動對象活動規(guī)律的變化情況。3.針對單一時(shí)間粒度下難以充分挖掘出時(shí)空頻繁軌跡中蘊(yùn)含群體移動模式語義信息的問題，本文提出

5、一種多維時(shí)間粒度下時(shí)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(shí)間粒度下頻繁軌跡模式挖掘方法MTG_GSP和MTG_PrefixSpan，識別多維時(shí)間粒度下頻繁軌跡模式；其次，采用本文所提自適應(yīng)時(shí)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(shí)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(yùn)含的群體移動模式語義信息。實(shí)驗(yàn)表明，相比單一時(shí)間粒度下頻繁軌跡模式I西北大學(xué)碩士學(xué)位論文挖掘，本方法能夠自適應(yīng)更加全面地挖掘出隨時(shí)間變化群體移動模式的變化情況。關(guān)鍵

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

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

8、gnizethestayregionsinmultidimensionaltimegranularity.I