实时轨迹数据演化分析及应用研究

发布时间：2021-12-22 01:06

　　近年来,随着智能手机的普及和移动互联网的发展,轨迹数据的获取日趋便捷和精确,其产生的场景也更加多样化,如出租车的行车轨迹、共享单车的使用轨迹以及社交网络的签到轨迹等。这些轨迹数据不仅记录了移动对象的位置信息及变化过程,还反映其潜在的行为模式和偏好,具有重大的研究价值。但传统的轨迹挖掘算法很少关注轨迹的时空属性所带来的动态性,使得挖掘结果往往忽略了轨迹的演化过程。此外,面对轨迹数据量的与日俱增,以往基于全量数据集的挖掘手段已经难以适用,其处理速度也无法对在线请求进行即时响应。为此,文章考虑数据流技术来作为解决海量数据挖掘问题的手段,并聚焦流式场景下的轨迹演化过程,分别提出了基于数据流的实时轨迹聚类和实时位置推荐算法。为了解决实时数据流场景下的轨迹聚类问题,文章提出了一种在线轨迹聚类算法AntClu。针对流式场景中轨迹的时空特征不断变化的问题,定义了“轨迹趋势”来表征移动对象当前的运动模式,并借助“时间同步距离”来量化表征误差,提高表征精度。进一步地,研究基于轨迹趋势结构提出了在线密度聚类算法,通过动态维护在线微簇来挖掘轨迹聚集模式的演化过程,并以宏聚类结果来响应实时聚类请求。文章通过实验... 

【文章来源】：电子科技大学四川省 211工程院校 985工程院校 教育部直属院校

【文章页数】：71 页

【学位级别】：硕士

【部分图文】：

三种常见的窗口模型.(i)界标窗口模型(ii)滑动窗口模型(iii)衰退窗口模型

SWClustering算法所采用的梗概数据结构：指数直方图的更新过程

基于最小外接矩阵的轨迹线段度量方法示意图

【参考文献】：
期刊论文
[1]连续聚类移动目标轨迹数据流算法(英文)[J]. 于彦伟,王沁,王小东.  中国通信. 2013(09)



本文编号：3545498