基于稀疏子集分析的轨迹社区发现

发布时间：2023-06-04 22:54

　　随着对互联网中的社会关系网络的研究热度不断提高,物理世界中的轨迹移动网络也得到越来越多的关注。如何挖掘不同用户在同一时间片段内轨迹移动的相似性,从中得到准确的轨迹特征信息,已经成为研究轨迹的重点。但是在现实生活中,用户行为活动产生的轨迹数据都是比较密集的,轨迹的数量在时间片段上的变化是递增的,轨迹的地理信息在地图上的显示却是无章法的,并且用户在日常活动中的移动轨迹存在着行为交叉的问题,因此,对轨迹集的数据进行有效的行为特征分析增加了难度。轨迹数据主要包括用户编码、时间点、经度、纬度和所在地理位置的水平面高度这五个特征。针对密集性大和交叉程度高的轨迹数据的行为分析时,考虑到水平高度差影响较小,本文将轨迹数据转换成由经度纬度定义的时间序列,提出一种基于单源空间特征模型的稀疏子集分析算法,首先,对用户移动的轨迹之间进行空间相似度测量,然后对相似性程度进行稀疏分析,最后进行全局最优的子集聚类。本文算法框架主要如下:(1)针对计算轨迹之间相似性度量准确性的问题,采用了时间序列挖掘-动态时间归整原理来归整长度不同的轨迹之间的最小距离,并使用这个距离矩阵定义轨迹的空间相似度矩阵。同时采用对特征矩阵进...

【文章页数】：65 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
第一章 绪论
    1.1 研究背景及意义
    1.2 国内外研究现状
    1.3 主要研究内容和贡献点
    1.4 论文结构
第二章 社区定义与检测
    2.1 社区定义
    2.2 特征矩阵分析
        2.2.1 语义特征矩阵
        2.2.2 空间特征矩阵
        2.2.3 时间特征矩阵
        2.2.4 速度特征矩阵
    2.3 社区检测方法
第三章 基于稀疏子集分析的轨迹聚类
    3.1 问题定义
        3.1.1 特征矩阵度量
        3.1.2 稀疏子集分析
            3.1.2.1 稀疏矩阵定义
            3.1.2.2 异常值处理
            3.1.2.3 目标函数优化
        3.1.3 聚类分析
    3.2 算法设计
第四章 实验分析
    4.1 轨迹数据集
    4.2 实验环境
    4.3 实验结果
        4.3.1 约束参数分析
        4.3.2 对比实验分析
总结与展望
参考文献
攻读学位期间发表的成果
攻读学位期间参与的科研项目
致谢



本文编号：3831181