数据挖掘中的模式发现（八）轨迹模式挖掘、空间模式挖掘

描述移动事件，不考虑绝对位置

• Constance:连续时间序列的相等运动属性，即保持运动方向不变
• Concurrence:有相等运动属性的多个对象，在某个时刻运动方向相同的多个物体
• Trendsetter:—组的共享目标的运动图形（constance + concurrence）

上图中箭头表示运动方向，横坐标表示时间，纵坐标表示物体。

空间运动模式

基本运动模式＋空间约束

• Track:单个对象，保持相同运动（constance + 空间约束）
• Flock:一组对象，同时保持相同运动（concurrence + 空间约束）
• Leadership:—个领导，踉着一组具有相同的运动物体（trendsetter + 空间约束）

• Flock(m,k,r):在半径r内，m个对象，k个连续点
• Meet(m,k):至少m个对象，在半径r内，至少K个连续点

聚合／分离运动模式

描述聚合和分离对象的运动

• Encounter(m,r) : 至少m个对象同时到达半径为r的范围内
• Convergence (m,r) : 至少m个对象经过达半径为r的范围内（不需要同时）
• Divergence : 与Convergence相反
• Breakup : 与Encounter相反

基于密度的轨迹模式

• TRACLUS
  
  • 密度相连轨迹段的聚类
  • 不考虑时间

• Moving Cluster

  • 在一个时间段内，一组对象相互靠近

• Convoy

  • 基于密度链接的 “Flock (m,r).”

• Swarm
  
  • Time-relaxed convoy. 对象在时间上的倒数

挖掘语义丰富的运动模式(Mining Semantics-Rich Movement Patterns)

• 频繁移动模式：频繁出现在输入轨迹数据库中的移动序列
• 频繁移动模式与频繁连续模式：
  
  • 两者都旨在从输入序列数据库找到频繁的子序列
  • 对于挖掘频繁运动模式，类似地方（例如下图右图以功能分类）可能需要分组以共同形成频繁子序列

• 语义丰富的运动模式：
  
  • 除了知道人们如何移动，从一个地区到另一个地区，我们也想了解地区的功能
  • 例如，office和home可能是在相同的地方，有着相同的功能；也可能在不同的地方，有着不同的功能。如上图左图所示。

Step1

找到一组反映人们粗糙的语义级转换的模式。例如，办公室→餐馆，家庭→健身房。

粗糙的语义在之前讲的progressive refinement中说过，是一些粗糙的语义定义，比如，办公室、办公场所，甚至是一些更加具体的名词，如政府办等。

Step2

通过分组，将每个粗糙分类的相似图案分成几个细粒度图案运动片段。

论文：C. Zhang et al.,Splitter: Mining Fine-Grained Sequential Patterns in Semantic Trajectories,VLDB 2014

（编辑：核心网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!