面向时空轨迹流的移动簇模式挖掘及评价

论文摘要

面向时空轨迹对移动簇模式进行挖掘是时空轨迹数据中模式挖掘的重要研究内容,可应用于智慧交通管理、公共安全服务和动物行为研究等领域。近年来随着空间定位技术的蓬勃发展,各种定位设备等的广泛应用,时空轨迹流数据能够实时被采集。时空轨迹流具有实时到达、快速更新、没有边界等特性,这些特性导致了轨迹流难以存储且对实时性要求很高。为了解决海量时空轨迹流的移动簇模式挖掘问题,本文研究了时空轨迹流的移动簇模式挖掘算法及模式评价算法,取得了如下研究成果。1.提出了一种面向时空轨迹流的移动簇模式挖掘框架MCStream（Moving Clusters pattern discovery from trajectory Stream）,该框架以现有的多种移动簇模式为基础,通过获取空间关系、获取关联簇以及更新移动簇模式三个阶段进行移动簇模式挖掘。在空间关系获取阶段,提出移动微组结构来维护较稳定的成员之间的关系,提高算法效率。同时,利用相邻时刻簇与簇之间的包含关系,获取关联簇,并利用关联簇的信息,对上一时刻的模式进行更新,从而避免重新进行计算,提高了算法效率。2.提出了一种面向时空轨迹流的渐变移动簇模式挖掘算法GMCStream（Gradual Moving object Clusters discovery from trajectory Stream）,该算法以 MCStream 框架为基础,同时考虑了渐变移动簇模式放松时间的特性,引入时间窗口技术,只需对时间窗口内的数据进行处理,就能快速得到模式挖掘结果。同时,为了减少模式更新操作过程中无效的求交操作,利用渐变移动簇模式要求对象规模渐变的特性,提出两个剪枝规则对待求交的关联簇进行剪枝优化,进而提高算法效率。3.提出了基于上述算法的并行挖掘算法PGMCStream（Parallel Gradual Moving object Clustersdiscovery from trajectory Stream）,使用 Spark Streaming 实时流计算技术进行面向轨迹流的渐变移动簇模式挖掘。将持续到达的轨迹流数据分成若干批次。将每一个批次中的流数据分发到各个节点,多个计算节点同时计算不同的移动对象轨迹数据,从而提高算法效率,实现对大规模的轨迹流进行渐变移动簇模式并行挖掘。4.提出了面向时空轨迹的移动簇模式评价算法RWR-Ranking和WRWR-Ranking,利用移动簇的地理空间属性,基于图模型提出重启式随机游走模型的移动簇模式排序方法。同时,结合时空因素,将时间因素作为权重构建带权的图模型对移动簇进行重要性排序。

论文目录

文章来源

类型: 硕士论文

作者: 张玉洁

导师: 吉根林

关键词: 时空轨迹流,时空轨迹挖掘,移动簇模式挖掘,渐变移动簇模式挖掘,移动簇模式评价

来源: 南京师范大学

年度: 2019

分类: 基础科学,信息科技

专业: 自然地理学和测绘学,计算机软件及计算机应用,计算机软件及计算机应用

单位: 南京师范大学

分类号: P208;TP311.13

DOI: 10.27245/d.cnki.gnjsu.2019.000036

总页数: 70

文件大小: 5517K

下载量: 36

相关论文文献

• [1].面向校园超市交易数据的判别模式挖掘与分析[J]. 电子制作 2020(10)
• [2].对比模式挖掘研究进展[J]. 科研信息化技术与应用 2017(05)
• [3].对比模式挖掘研究进展[J]. 网络安全技术与应用 2017(01)
• [4].空间同位模式挖掘研究进展[J]. 地理空间信息 2013(06)
• [5].基于时空数据的城市人流移动模式挖掘[J]. 计算机科学 2020(10)
• [6].基于自适应分段粒度的时空模式挖掘方法[J]. 计算机应用研究 2018(03)
• [7].时空轨迹数据智能处理与模式挖掘技术研究[J]. 电信快报 2018(07)
• [8].用户日常频繁行为模式挖掘[J]. 国防科技大学学报 2017(01)
• [9].时间序列周期模式挖掘算法分析[J]. 中国管理信息化 2016(03)
• [10].基于频繁特征模式挖掘的期货市场单边运行深度的预测[J]. 中国管理信息化 2015(17)
• [11].基于频繁项集的条件模式挖掘[J]. 计算机工程与设计 2009(16)
• [12].基于显露模式挖掘的反恐情报分类对比分析[J]. 现代情报 2020(05)
• [13].基于到达时间的行为模式挖掘[J]. 计算机与数字工程 2020(09)
• [14].交通数据的时空并置模糊拥堵模式挖掘[J]. 清华大学学报(自然科学版) 2020(08)
• [15].分布式事务型内嵌树模式挖掘[J]. 武汉大学学报(理学版) 2018(06)
• [16].基于密度约束和间隙约束的对比模式挖掘[J]. 计算机科学 2018(04)
• [17].垂直模式类高效用模式挖掘的改进算法[J]. 微型机与应用 2016(22)
• [18].时空轨迹群体运动模式挖掘研究进展[J]. 南京航空航天大学学报 2016(05)
• [19].特定空间对象同位模式挖掘算法研究[J]. 电脑知识与技术 2015(04)
• [20].多粒度时间文本数据的周期模式挖掘算法[J]. 计算机科学 2013(S2)
• [21].基于密度约束的对比模式挖掘[J]. 计算机科学 2019(12)
• [22].一种新的基于时空轨迹的汇合模式挖掘算法[J]. 南京大学学报(自然科学) 2018(01)
• [23].基于时间序列的模式挖掘研究[J]. 科技资讯 2014(17)
• [24].顾及距离衰减效应的网络空间同位模式挖掘[J]. 测绘科学 2020(06)
• [25].面向移动时空轨迹数据的频繁闭合模式挖掘[J]. 西安科技大学学报 2016(04)
• [26].基于大数据的物联网用户行为模式挖掘[J]. 计算机技术与发展 2019(12)
• [27].军事情报监视与侦察系统中一种目标同现模式挖掘算法[J]. 海军工程大学学报 2019(06)
• [28].基于网络的时空同现模式挖掘算法[J]. 计算机科学 2018(03)
• [29].点集数据不规则形状时空异常聚类模式挖掘研究[J]. 武汉大学学报(信息科学版) 2017(07)
• [30].移动通信网络环境下的用户运动模式挖掘[J]. 东南大学学报(自然科学版) 2011(02)

标签：时空轨迹流论文;  时空轨迹挖掘论文;  移动簇模式挖掘论文;  渐变移动簇模式挖掘论文;  移动簇模式评价论文;