Mining Semantic Trajectory Patterns from Geo-Tagged Data

User-generated social media data tagged with geographic information present messages of dynamic spatio-temporal trajectories. These increasing mobility data provide potential opportunities to enhance the understanding of human mobility behaviors. Several trajectory data mining approaches have been proposed to benefit from these rich datasets, but fail to incorporate aspatial semantics in mining. This study investigates mining frequent moving sequences of geographic entities with transit time from geo-tagged data. Different from previous analysis of geographic feature only trajectories, this work focuses on extracting patterns with rich context semantics. We extend raw geographic trajectories generated from geo-tagged data with rich context semantic annotations, use regions-of-interest as stops to represent interesting places, enrich them with multiple aspatial semantic annotations, and propose a semantic trajectory pattern mining algorithm that returns basic and multidimensional semantic trajectory patterns. Experimental results demonstrate that semantic trajectory patterns from our method present semantically meaningful patterns and display richer semantic knowledge.     

挖掘语义轨迹频繁模式及拼车应用研究

现有各种轨迹分析主要利用聚类方法从多用户轨迹中挖掘公共停留点、计算用户相似度以发现热点、提取近似人群的公共属性，对同一用户计算相似度也无商业价值，因此很少对单用户轨迹分析展开研究。提出了基于地点语义的个体用户轨迹频繁模式挖掘方法。先逆地理编码求得语义轨迹并进行预处理从而求取Top-[k]候选频繁地点项集，进而采用时空序列求交集和分治归并方法，将长项集的频繁迭代计算转化为分层集合正则运算，从而求出频繁序列超集和子集。这种语义轨迹频繁模式挖掘能主动识别和发掘潜在的拼车需求，为共享拼车、HOV车道出行等基于位置的智能推荐提供更高的精准度。仿真拼车实验结果证明了该方法的适用性和高效性。     

基于停留时间的语义行为模式挖掘

移动对象的语义行为模式挖掘是当前移动对象研究中关注的热点,有益于诸多应用场景,如朋友推荐系统、轨迹破案领域和个性化服务等.目前语义行为模式挖掘方法没有考虑移动对象在停留点的停留时间,不能准确地分辨出移动对象之间的不同行为模式.为了解决上述问题,提出了一种基于停留时间的语义行为模式挖掘(discovering common behavior using staying duration on semantic trajectory, DSTra)方法,首先挖掘每个移动对象的频繁语义行为模式,然后定义语义行为模式之间的相似性度量方法,最后采用层次聚类的方法对移动对象进行聚类,找出具有相似行为模式的移动对象群体.实验结果表明：该方法不仅具有合理性和有效性,同时还具有较高的准确率和较好的效率.     

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。     

基于语义依存图库的兼语句句模研究

句子语义分析是语言研究深入发展的客观要求,也是当前制约语言信息处理技术深度应用的主要因素。在探索深层语义分析方法的基础上,该文根据汉语的特点,提出了一整套语义依存图的构建方法,并建立了一个包含30 000个句子的语义依存图库。以兼语句为重点研究对象,该文研究了语料库中所有纯粹的兼语句所对应的句模情况,进而试图构建基于语义依存图的句模系统,总结句型和句模的映射规则,从而为更好的建立语义自动分析模型提供相应的知识库。
     

近似到达时间约束下的语义轨迹频繁模式挖掘

随着GPS定位技术的不断发展与智能移动设备的普及,轨迹数据的获取变得越来越容易,同时,轨迹数据相关应用的需求也逐渐增多.在轨迹数据上加入语义信息,可以得到体积较小、质量较高、能够更好地反映用户行为的语义轨迹,在其上实现旅游线路推荐、路线预测、用户生活模式挖掘、朋友推荐等应用,可以更好地满足用户需求.挖掘语义轨迹的频繁模式是实现这些应用的技术基础,而在很多情况下,用户对语义轨迹频繁模式常存在到达时间方面的需求,比如按特定时间游玩热门景点的同时需要按时到达车站候车.现有的语义轨迹模式挖掘方法大多没有考虑到达时间的约束,挖掘出的频繁模式缺少到达时间信息;少数方法考虑了精确的到达时间,但因为约束太强会导致无法挖掘到频繁的模式.因此,首次对近似到达时间约束下的语义轨迹频繁模式（approximate arrival-time constrained frequent pattern,简称AAFP）挖掘方法进行了研究,并给出了其形式化定义;通过时间轴划分提出了挖掘AAFP的基线算法,并通过建立索引AAP-tree提出了改进后的高效、灵活的AAFP挖掘算法;之后提出了信息熵增量公式,并给出了时间轴划分及AAP-tree的高效维护方法;最后在真实数据集上进行实验,验证了方法的有效性及高效性.     

一种基于语义轨迹的事件规则学习算法

视频上的事件探测对于视频检索与语义理解是一个很重要的工作.视频中的轨迹不仅记录了物体的移动信息,也反映了物体移动的动机,并与事件的发生密切相关.主要探讨了如何从轨迹抽取事件.然而,基于内容的视频事件分析中,从视频中抽取的低层特征与高层的语义特征存在一定的鸿沟.因此,利用领域知识标记的兴趣区域,提出一种新的语义轨迹表示方法,从而将视频中得到的原始轨迹转化为语义轨迹.同时,使用物体与兴趣区域关系的正则表达式描述视频中的语义事件.基于归纳学习的事件规则学习算法显示了正则表达式比传统的一阶谓词上的合式公式更易于学习.利用学习得到的事件规则可以很好地用于视频中语义事件的探测.最后,实验表明了事件探测的有效性.     

基于出行方式及语义轨迹的位置预测模型

现有位置预测方法的研究多集中于对轨迹数据的挖掘和分析,而在如何通过轨迹数据中含有的信息内容以及外源数据以提高位置预测精确度方面的研究尚不深入,有很大研究空间.提出了一种挖掘语义轨迹信息并结合出行方式的未来位置预测模型,该模型首先可实现根据语义轨迹进行相似用户挖掘,并结合个人语义轨迹和相似用户位置轨迹得到频繁模式集合,最后结合2个集合对目标轨迹得到未来位置预测候选集;然后可实现对未来出行方式进行识别,同时结合历史出行方式和位置轨迹数据,建立Markov模型对未来位置进行预测得到候选集,最后结合前一部分的候选集得到最终未来位置结果.此模型不仅能结合语义轨迹挖掘相似用户的行为活动,还可同时融合出行方式的外源数据克服位置轨迹的局限性.实验验证表明：该模型能对日常生活中的轨迹位置数据进行预测并达到86%的精确度,同时在不同的频繁模式支持度下,其精确度都比未结合出行方式模型时平均高出5%,因此本模型对位置预测结果的提高具有有效性.     

移动计算环境中用户移动模式的增量挖掘

该文主要对移动日志数据库不断更新的问题,提出了增量挖掘的方法,挖掘用户的移动模式。其主要思想是利用原来数据库的挖掘结果,通过将候选模式分成两部分,并适当剪枝,计算在原来数据库和新增数据库中的支持度得到频繁模式,从而提高挖掘效率。     

基于不规则路径聚类算法的用户访问模式挖掘

通过分析目前主流的Web用户访问模式挖掘的技术方法,针对各种挖掘算法存在复杂度高、灵活性低的缺陷,本文提出一种能对不规则用户访问路径进行用户访问模式挖掘的聚类算法,该算法可以简单高效地挖掘不定长度的用户兴趣模式。     

从不确定数据集中挖掘频繁Co-location模式

把挖掘频繁co-location模式的经典算法Join-based算法扩展到了UJoin-based算法,解决了从不确定数据集中挖掘频繁co-location模式的问题。针对UJoin-based算法中ED(expected distances)计算开销大的问题,介绍了两种剪枝技术:边界矩形剪枝技术和三角不等式剪枝技术,其中,在三角不等式剪枝部分,分别讨论了取1个锚点、5个锚点和9个锚点的不同情况。通过大量实验证明了剪枝策略有效避免了大量的ED计算,提高了算法的效率。     

Mining Co-Location Patterns with Rare Events from Spatial Data Sets

A co-location pattern is a group of spatial features/events that are frequently co-located in the same region. For example, human cases of West Nile Virus often occur in regions with poor mosquito control and the presence of birds. For co-location pattern mining, previous studies often emphasize the equal participation of every spatial feature. As a result, interesting patterns involving events with substantially different frequency cannot be captured. In this paper, we address the problem of mining co-location patterns with rare spatial features. Specifically, we first propose a new measure called the maximal participation ratio (maxPR) and show that a co-location pattern with a relatively high maxPR value corresponds to a co-location pattern containing rare spatial events. Furthermore, we identify a weak monotonicity property of the maxPR measure. This property can help to develop an efficient algorithm to mine patterns with high maxPR values. As demonstrated by our experiments, our approach is effective in identifying co-location patterns with rare events, and is efficient and scalable for large-scale data sets.

基于时空轨迹的移动对象汇聚模式挖掘算法

移动对象的聚集模式是时空轨迹模式挖掘中的重要课题,它研究移动对象群体在多个连续时刻中的空间聚集问题。现有的聚集模式基于共现模式进行定义,挖掘结果中夹杂大量非运动的聚集群体,严重影响模式挖掘的效果。为了解决此问题,本文提出了基于群体运动过程建模的汇聚模式。该模式定义从群体运动形态出发进行设计,准确识别向心运动的移动群体,有效排除非聚集类型运动群体的干扰。本文设计并实现了汇聚模式挖掘（Converging pattern mining,CPM）算法,该算法首先定位密度峰值点,确定候选的汇聚中心区域,然后依次识别每个时刻的汇聚群体,按照群体汇聚的持续性要求识别汇聚模式。基于真实轨迹数据进行实验,结果验证了本文提出的CPM算法在挖掘效果和算法效率的有效性。     

一种不确定性数据频繁模式的垂直挖掘算法

由于数据的不确定性,传统频繁模式挖掘方法难以适用到不确定性数据中.针对不确定性数据的特点,把挖掘确定性数据频繁模式的经典垂直挖掘算法Eclat算法扩展到不确定性数据中,提出了UP-Eclat算法.该算法分别对Tid集和项集搜索树进行扩展:把原来只有一个id域的Tid扩展成两个域,即id域和概率域;用扩展后的Tid集代替原来的Tid集,生成扩展后的项集搜索树.扩展后的Tid集可以表示不确定性数据,然后利用扩展后的项集搜索树进行频繁模式挖掘.通过实验与分析,UP-Eclat算法可行,高效.     

二分类图上的非冗余协同图模式挖掘算法

图模式广泛应用于构建高效图分类模型的特征空间识别．协同图模式是一种内部节点高度相关的图结构,与普通图模式相比,协同图模式具有更高的区分能力,从而更加适用于分类模型的特征选择．文中研究了从二分类图中挖掘非冗余协同图模式的问题,通过限制协同图模式的区分能力远远高于其所有子图模式的非冗余性质,大幅度减少了挖掘结果的数量,同时保留了具有强区分能力的协同图模式．由于协同图模式理论上必须检测其所有子图是否满足约束条件,挖掘它们非常具有计算挑战性．基于非冗余协同图模式的多种特性,提出相对应的削减规则;通过对区分能力的边界估计,提出两个快速检测非冗余协同图模式方法,在此基础上给出了一种高效的深度优先挖掘算法 GINS．大量真实与合成数据集上的实验结果表明,GINS 算法明显优于其他两个代表性算法,作为图分类模型的分类特征时,非冗余协同图模式获得了较高的分类精度．