移动对象无冗余周期模式发现算法

技术的发展进步和需求的多样性,产生了大量的数据,数据背后隐含模式的发现对问题的深入研究起到关键性的作用.为了挖掘移动对象的周期运动模式,提出了一种无冗余周期模式(Non-redundant period patterns,NRPP)发现算法.为解决噪声因素的影响,在现有方法基础上,引入相似性因子,删减冗余周期模式,使挖掘出的模式精简、准确.算法为不同模式设置不同阈值,不但解决了稀有项问题和组合爆炸问题,而且也使得挖掘效率更高效.采用公开移动对象数据实验,结果表明算法能高效挖掘出移动对象的周期模式.     

基于轨迹结构的移动对象热点区域发现

针对现有热点区域发现算法难以从轨迹数据集中准确识别活动热点的问题,提出了基于轨迹结构的热点区域发现框架（TS_HS）。TS_HS由候选区域发现（CHSD）算法和热点区域过滤（HSF）算法组成。首先,使用基于网格相对密度的CHSD识别空间上的轨迹密集区域作为候选热点区域;然后,利用HSF根据候选区域中轨迹的活动特征和时间变化特征,筛选出移动对象活动频繁的热点区域。在Geolife数据集上进行的实验表明,与基于全局密度的热门区域发现算法（GD_HR）以及移动轨迹时空热点区域发现算法（SDHSRD）相比,TS_HS能更有效地解决多密度热点区域的识别问题。实验结果表明,TS_HS能够根据轨迹的活动特征准确发现移动对象的活动热点区域。     

多粒度时间文本数据的周期模式挖掘算法

大规模文本数据挖掘是大数据分析的重要分支,也是近年来的一个研究热点。研究了多粒度时间文本数据周期模式挖掘算法,首先提出了时间粒度转换、多粒度时间间隔等概念,然后建立了文本数据的周期模型,给出了一个多粒度时间文本下的周期模式挖掘算法,最后对大量病毒文本文献数据进行了实验,表明了提出的算法可以挖掘一些有效的周期模式,讨论了周期宽松度对支持度和置信度的影响。该研究为大文本数据分析提供了一种新的方法。     

一种车辆移动对象相似轨迹查询算法

车辆移动对象的相似轨迹查询问题是当前移动对象数据管理研究中的一个热点,可以应用在车辆缉查防控、出行规律分析及城市道路规划等诸多领域.当前,随着车辆移动对象监测手段的不断丰富,车辆移动对象数据逐渐表现出流式不间断产生、数据量急剧增大的特征.现有的移动对象相似轨迹查询方法在面对具有上述特征的车辆移动对象数据时在查询正确性和查询效率方面暴露出诸多问题.论文针对这种大规模车辆移动对象数据流下的相似轨迹查询问题,提出一种基于双阈值支持度的车辆移动对象相似轨迹查询算法,该算法通过对车辆移动对象数据的预处理来减少查询中涉及的移动对象数据量,以提高移动对象相似轨迹查询的效率,同时保证查询正确性.实验表明,该文提出的算法,在保障正确查询相似轨迹的前提下,效率比传统相似轨迹查询算法提高很多.     

时序数据中弱限制周期模式的挖掘

为克服已有时序数据周期模式挖掘算法中限制过多过严的问题。提出一种可以应用于弱限制的、不需要给出目标模式或周期长度的、借鉴蚁群算法思想的用于时序数据周期模式的挖掘算法，使得需要验证的怀疑周期消减，算法效率提高。     

多模式移动对象不确定性轨迹预测模型

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.     

一种基于时间窗口的数据预处理算法

提出了一个基于时间窗口的数据预处理算法．面向具体应用,根据已有知识,此算法可以智能化地滤去一些“噪声”数据．与一般的定义不同．本文所谓的“噪声”数据是指那些由一些已知的规则决定性地影响着的数据,研究显示它们会对进一步的数据挖掘形成极大干扰．实际测试结果表明,本算法能够改善一些已有数据挖掘算法的执行效果．     

一种基于层次的移动对象动态聚类算法

由于现有聚类算法不能很好的解决移动环境下移动对象动态变化,本文提出了一种基于层次的移动对象动态聚类算法.该算法通过类中某些特殊点来表示该类,并且记录类合并过程中一些重要特征,使得移动对象动态变化时,简化聚类的过程,从而满足移动环境下对动态聚类算法时间的要求.     

基于动态网格的移动对象索引

在移动对象数据库中,移动对象的数量可能会经常变化,这就给索引技术提出了新的挑战。移动对象索引技术的效率是移动对象数据库的一个重要研究课题。为了防止数据库由于移动对象数量的变化而导致性能锐减,本文在网格文件索引的基础上提出了一种动态网格索引技术。通过实验比较显示,它相对于静态索引具有更好的适应性。     

基于语义的移动对象轨迹知识发现研究

针对采用欧式空间坐标或线性参考坐标表达轨迹的方法对与应用需求相关的背景地理语义知识考虑不够,使得不能有效挖掘轨迹中隐含信息的问题,提出一种基于语义的轨迹建模和知识发现方法,该方法通过预先定义与应用需求相关的重要地点作为关键点,对与该地点具有同种空间关系的轨迹点进行聚类,以聚类后的关键点序列表达轨迹,运用正则表达式实现轨迹中隐含的关联规则和频繁模式的发现,通过实例表明该方法的可行有效。     

一种支持移动对象的GIS-T通用时空模型

交通系统具有时空动态特征,对象间关系复杂,多类应用共享相同的空间和实时交通流数据,多参照系统并存。为真实表达交通系统的动态特征和复杂关系,避免数据重复采集和管理,实现多参照系统、多类数据的集成和共享,提高数据综合使用价值,综合多类交通应用的共同特征,提出了一种支持移动对象的网络时空数据模型STMNMO。     

移动对象数据模型

1 引言空间数据库把“空间”的概念引入了数据库系统中,使之能够处理2D和3D方面的问题,最常用的就是GIS应用,这一领域的研究已经进行了二十几年,并已形成体系,拥有许多的研究团体和一定数量的与空间数据库系统相关的期刊、杂志。而时间数据库则是利用了时间的概念来创建一种各高抽象级的数据库应用,近二十年来,该领域的研究也非常活跃,特别是近几年,时间数据库的重要性,已得到了科技界的认同。把这两个独立的研究领域结合起来,就形成了一门新兴学科“时空数据库”的基础。     

基于电信数据的通话行为模式发现

在移动通信优化服务问题的研究中,随着移动通信技术的快速发展及手机的大范围普及,移动通信已与人们的生活息息相关,对用户通话行为模式进行分析发现具有重要的现实意义.以真实的移动电话通话记录为数据,通过提取用户的多个重要通话特征,运用数据挖掘技术对用户的通话行为进行实验分析,在宏观及微观两个层面实现了对用户通话行为模式的有效发现.结合用户的通话模式,可以提高无线资源的利用效率,同时也可以根据用户的个人习惯提供更好的电信服务,实现精准营销及个性化服务.     

基于轨迹时空关联语义和时态熵的移动对象社会角色发现

现有轨迹相似性度量缺乏对时空语义和时间随机性的考虑,不能有效地区分移动对象的社会角色.为解决这一问题,做了如下工作:1)提出了时空关联语义(spatial-temporal associated semantics,STAS)的概念,解释了轨迹的语义相似性规律,即两条轨迹的语义相似性与其在某时段内经过同类型区域的概率正相关;2)提出了时态熵(temporal entropy)的概念,度量了轨迹经过同一类型区域的时间随机性;3)基于STAS和时态熵,给出轨迹语义相似性度量(trajectory semantic similarity,TSS),刻画了轨迹所属移动对象的社会角色的时空特征;4)提出了移动对象社会角色发现算法(social roles discovering algorithm,SRDA),该算法基于TSS实现轨迹聚类,其中一个聚簇代表一种社会角色.真实数据和仿真数据上的实验表明,SRDA在准确率上比现有方法平均提高了18%,同时具有线性时间复杂度,从而验证了算法的有效性和性能.     

基于公路网的移动对象数据库数据模型

移动对象数据库对大量移动对象的位置信息进行管理,能够支持传统数据库不能进行的时空查询,考虑到大多数移动对象的运动都固定在已知的路线中,基于公路网的移动对象数据模型、通过对公路网拓扑图的数字化转换,能够对移动对象进行有效的管理,该文采用实时平均法来反映每条线路的动态运行情况,对移动对象未来位置进行了精确预测。     

基于背景建模的运动目标检测

介绍了在视觉监控领域经常用到的几种基于自适应背蒂模型的经典方法,如非参数模型、单高斯模型和混合高斯模型等。通过试验．比较了上述方法在检测过程中的优势和不足之处,以其在工程实践中有一定的参考作用。     

基于背景建模的运动目标检测

介绍了在视觉监控领域经常用到的几种基于自适应背景模型的经典方法,如非参数模型、单高斯模型和混合高斯模型等。通过试验,比较了上述方法在检测过程中的优势和不足之处,以其在工程实践中有一定的参考作用。     

基于贝叶斯网络的运动对象提取

本文分析利用颜色和运动信息做运动对象提取所存在的两个问题。针对这两个问题，本文引入场景上下文知识和经验知识来辅助提取运动对象。而贝叶斯网络(Bayesian Network，BN)是不确定性知识表达和推理的重要工具，我们利用它来表达运动对象的场景上下文知识和人们对运动对象的经验知识，并用它来推理运动对象的可能大小、位置和形状。