检索结果-南通市图书馆

在线全文

学校读者我要写书评

暂无评论

基于Spark的轨迹频繁模式挖掘算法研究

基于Spark的轨迹频繁模式挖掘算法研究

作者：李凌昆明理工大学

学位级别：硕士

从时空数据中挖掘模式在人类出行行为、智能交通、城市规划和生态研究等方面有着重要的应用。信息化城市建设的一个重要问题是如何从海量的轨迹数据中挖掘出频繁轨迹序列模式进行定位感知和基于位置的服务(location-based services,LBS... 详细信息

从时空数据中挖掘模式在人类出行行为、智能交通、城市规划和生态研究等方面有着重要的应用。信息化城市建设的一个重要问题是如何从海量的轨迹数据中挖掘出频繁轨迹序列模式进行定位感知和基于位置的服务(location-based services,LBS)。传统的轨迹序列模式挖掘算法由于挖掘过程中会产生大量中间子序列,严重影响算法收敛速度和挖掘效率。另外,随着定位技术的飞速发展,时空数据的获取越来越广泛,数据规模越来越大,传统的轨迹序列模式挖掘算法存在内存开销大、处理速度慢、空间不足等问题和挑战。针对以上两个主要问题,本文提出了基于Spark的轨迹频繁模式挖掘算法,具体研究内容如下:(1)针对因个人轨迹的不确定性和轨迹数据的隐式表示,不能直接应用现有的传统序列挖掘算法的问题,首先采用分组和分区的思路对原始的轨迹数据进行抽象表达,并将轨迹转化为公共段时间序列,提出了一种轨迹模式挖掘框架与基于前缀剪枝的分布式轨迹频繁模式挖掘算法。(2)为了减少冗余轨迹模式的产生,设计了路径邻接修剪策略和相关算法进行了有效剪枝。(3)针对大规模轨迹数据带来的挖掘效率问题,本文结合Spark集群的内存计算优势,设计并实现了基于分布式框架的挖掘算法,同时在负载均衡方面进行了优化改进。(4)在公共数据集和实际数据集中对轨迹表达、剪枝策略和分布式算法进行了实验验证,结果表明,本文算法有效地提取了频繁轨迹模式,尤其是在海量轨迹数据环境下,与常见轨迹模式挖掘算法相比,本文算法在提升整体性能的同时兼备了良好的可扩展性。

关键词：数据挖掘频繁轨迹模式 Spark 轨迹抽象

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

多模式移动对象不确定性轨迹预测模型

自动化学报 2018年第4期44卷 608-618页

作者：乔少杰韩楠丁治明金澈清孙未未舒红平成都信息工程大学网络空间安全学院成都610225 成都信息工程大学管理学院成都610103 北京工业大学计算机学院北京100124 华东师范大学数据科学与工程学院上海200062 复旦大学计算机科学技术学院上海201203 成都信息工程大学软件工程学院成都610225

以移动设备、车辆、飞机、飓风等移动对象不确定性轨迹预测问题为背景,将大规模移动对象数据作为研究对象,以频繁轨迹模式挖掘、高斯混合回归技术为主要研究手段,提出多模式移动对象轨迹预测模型,关键技术包括:1)针对单一运动模式,提出... 详细信息

以移动设备、车辆、飞机、飓风等移动对象不确定性轨迹预测问题为背景,将大规模移动对象数据作为研究对象,以频繁轨迹模式挖掘、高斯混合回归技术为主要研究手段,提出多模式移动对象轨迹预测模型,关键技术包括:1)针对单一运动模式,提出一种基于频繁轨迹模式树FTP-tree的轨迹预测方法,利用基于密度的热点区域挖掘算法将轨迹点划分成不同的聚簇,构建轨迹频繁模式树,挖掘频繁轨迹模式预测移动对象连续运动位置.不同数据集上实验结果表明基于FTP-tree的轨迹预测算法在保证时间效率的前提下预测准确性明显优于已有预测算法.2)针对复杂多模式运动行为,利用高斯混合回归方法建模,计算不同运动模式的概率分布,将轨迹数据划分为不同分量,利用高斯过程回归预测移动对象最可能运动轨迹.实验证明,相比于基于隐马尔科夫模型和卡尔曼滤波的预测方法,所提方法具有较高的预测准确性和较低的时间代价.

关键词：移动对象数据库多模式轨迹预测频繁轨迹模式

在线全文

学校读者我要写书评

暂无评论

基于环境特征的车辆运动轨迹模式研究

基于环境特征的车辆运动轨迹模式研究

作者：张海基西安工程大学

学位级别：硕士

GPS技术的快速发展和定位设备的广泛使用使得我们更容易获取到车辆运动轨迹数据。利用这些数据,我们可以重构车辆的运动轨迹,发现车辆的运动模式。而将环境特征引入到车辆运动轨迹分析中,更能准确地挖掘出移动对象在什么环境情况下会选... 详细信息

GPS技术的快速发展和定位设备的广泛使用使得我们更容易获取到车辆运动轨迹数据。利用这些数据,我们可以重构车辆的运动轨迹,发现车辆的运动模式。而将环境特征引入到车辆运动轨迹分析中,更能准确地挖掘出移动对象在什么环境情况下会选择什么样的轨迹路径。车辆运动轨迹数据作为重要的数据资源在热点区域发现、路网建设、城市规划、智慧城市等方面起着重要的作用。吸引着众多研究者投身到对车辆轨迹的分析研究中。本文主要完成了以下三个方面的工作:1.针对环境约束的不确定轨迹数据的频繁路径问题,设计了一种适应于严格时间约束条件下基于环境约束的位置不确定的移动概率序列挖掘算法（UETFP-PrefixSpan）,算法通过设置类标号把不同环境下的不确定轨迹数据区分开,利用概率支持度对频繁项集进行了重新定义,通过减少某些特定序列模式生成过程的扫描,来减少投影数据库的规模及扫描投影数据库的时间,提高算法效率。测试实验结果表明,改进后的UETFP-PrefixSpan算法挖掘结果更符合现实情况,算法执行效率更高。2.针对现有预测算法很少考虑环境因素,预测精度不高的问题,提出了一种基于环境约束的不确定轨迹数据预测算法（EGTP）。首先获取历史轨迹数据所处的环境信息,利用环境信息和轨迹数据构造一个新的轨迹参考点,模拟带有环境信息的车辆不确定轨迹数据;然后基于高斯混合模型,对轨迹参考点数据和历史轨迹数据进行训练;最后在训练的基础上利用轨迹参考点和历史轨迹数据对车辆轨迹实时预测。由于考虑了出行的环境因素,预测结果更符合现实情景。实验验证了该算法在实时性和预测准确度上较其它算法有所提高。3.针对具有环境特征的不确定车辆轨迹进行异常轨迹检测问题。提出了一种适用于不确定轨迹的异常轨迹检测算法,将车辆位置,行驶时间分别作为出租车的空间和时间特征,根据这些特征的偏离情况划分了时间异常,空间异常,时空异常。从历史轨迹数据中提取出具有相同起终点的轨迹数据集,将整条轨迹划分成子轨迹片段,计算轨迹间的相似度。基于距离和密度的聚类,在空间特征上初步分离出频繁和稀疏轨迹,根据数据异常判定的kσ准则确定时间特征异常的分离阈值,对时间特征进行再次划分,最终实现出租车异常轨迹检测。实验结果表明,该方法在异常结果的有效性和可解释性方面有所提高。

关键词：环境特征不确定轨迹数据频繁轨迹模式轨迹预测异常轨迹检测

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于动态多最小支持度的用户频繁轨迹挖掘

计算机工程与设计 2022年第6期43卷 1657-1664页

作者：严爱俐刘漫丹华东理工大学信息科学与工程学院上海200237

为解决频繁轨迹模式挖掘中单一最小支持度带来的问题,提出一种多最小支持度的频繁序列挖掘算法,根据获取的用户历史轨迹数据确定用户多最小支持度获取模型。由于仅通过PrefixSpan算法挖掘出用户的历史频繁轨迹模式,无法了解用户在一段... 详细信息

为解决频繁轨迹模式挖掘中单一最小支持度带来的问题,提出一种多最小支持度的频繁序列挖掘算法,根据获取的用户历史轨迹数据确定用户多最小支持度获取模型。由于仅通过PrefixSpan算法挖掘出用户的历史频繁轨迹模式,无法了解用户在一段时间内的地点偏好变化,通过动态加权的方式结合之前挖掘出的用户频繁轨迹模式得到用户在不同时期的地点偏好变化,利用序列压缩和序列匹配减少用户频繁轨迹模式的存储空间。通过实例挖掘,验证了改进算法的有效性。

关键词：时空轨迹校园无线网络频繁轨迹模式多最小支持度前缀投影模式挖掘算法

在线全文

学校读者我要写书评

暂无评论

基于环境标记约束的不确定轨迹频繁路径挖掘

计算机应用研究 2018年第9期35卷 2648-2650页

作者：张晓滨张海基西安工程大学计算机科学学院西安710048

针对环境约束的不确定轨迹数据的频繁路径问题,设计了一种适应于严格时间约束条件下基于环境约束的位置不确定的移动概率序列挖掘算法(UETFP-Prefix Span)。算法通过设置类标号把不同环境下的不确定轨迹数据区分开,利用概率支持度对频... 详细信息

针对环境约束的不确定轨迹数据的频繁路径问题,设计了一种适应于严格时间约束条件下基于环境约束的位置不确定的移动概率序列挖掘算法(UETFP-Prefix Span)。算法通过设置类标号把不同环境下的不确定轨迹数据区分开,利用概率支持度对频繁项集进行了重新定义,通过减少某些特定序列模式生成过程的扫描,来减少投影数据库的规模及扫描投影数据库的时间,提高算法效率。测试实验结果表明,改进后的UETFP-Prefix Span算法挖掘结果更符合现实情况,算法执行效率更高。

关键词：序列挖掘频繁轨迹模式环境约束不确定轨迹数据

在线全文

学校读者我要写书评

暂无评论

面向稀疏轨迹数据的位置预测方法研究

面向稀疏轨迹数据的位置预测方法研究

作者：贾振美东北大学

学位级别：硕士

随着很多基于位置服务的兴起,位置预测发展成了一项必要的任务,比如,通过预测用户的目的地,向用户推荐旅游景点的信息,或者发布一些超市、商场的折扣信息等。位置预测就是根据用户的历史轨迹数据,预测下一个可能的位置。由于受到一些实... 详细信息

随着很多基于位置服务的兴起,位置预测发展成了一项必要的任务,比如,通过预测用户的目的地,向用户推荐旅游景点的信息,或者发布一些超市、商场的折扣信息等。位置预测就是根据用户的历史轨迹数据,预测下一个可能的位置。由于受到一些实际因素的影响,比如,传输过程中数据包的丢失、采样时间间隔过长、位置更新不及时等,移动对象的位置更新可能会遗漏部分路径信息,所以GPS等移动设备采集到的数据存在一个问题,即数据稀疏问题。已有的研究方案多数都不适用于稀疏数据上的位置预测,如果直接针对稀疏数据进行挖掘,预测的准确率会很低。所以本文就稀疏数据问题,提出了一个位置预测研究方案。为了提高预测的准确率,本文在挖掘轨迹模式的过程中考虑了时间因素对预测的影响,体现了用户的移动规律偏向于就近时间段的特性;同时,将包含频繁轨迹模式的轨迹id保存起来,避免了重复扫描数据集,提高了挖掘的效率。本文的主要贡献如下：首先,针对稀疏数据,本文提出了处理稀疏轨迹数据的具体方法,缓解了因数据稀疏导致的预测准确率低的问题。其次,鉴于老化的轨迹对预测准确性的影响,本文提出了基于保鲜度的支持度计算方法,在挖掘轨迹模式的过程中考虑了时间因素,提高了预测的准确率。再次,针对模式挖掘问题,将轨迹模式与网络拓扑图联系起来,将覆盖区域用带权有向图表示,提出了轨迹标识列表的概念,减少了候选模式的数量,避免了重复扫描原始数据集,提高了算法的效率。最后,提出了一种相似用户聚类算法,使用同类用户的数据进行预测,缓解了数据稀疏问题,同时,提出了一个匹配策略,既能实现完全匹配,又能实现部分匹配,提高了预测的准确率。通过理论分析和实验评估,验证了本文提出的基于稀疏轨迹数据的位置预测方法在理论上的可行性和操作中的有效性。

关键词：稀疏轨迹数据频繁轨迹模式模式挖掘位置预测用户聚类