时间标识的移动对象频繁模式发现

来源 :中国矿业大学 | 被引量 : 0次 | 上传用户:LittleE1032
下载到本地 , 更方便阅读
声明 : 本文档内容版权归属内容提供方 , 如果您对本文有版权争议 , 可与客服联系进行内容授权或下架
论文部分内容阅读
随着移动设备、无线传感网络技术、RFID设备以及GPS卫星定位技术的快速发展以及大规模应用,很方便收集到海量移动对象轨迹数据。这些轨迹数据包含很多潜在的有意义的知识,如何从这些轨迹数据中提取有用的知识是轨迹数据知识发现中亟待解决的难题。移动对象频繁模式发现作为轨迹数据知识发现的一个重要研究课题,在基于位置的服务、隐私保护、位置预测等诸多领域都有重要应用。本文围绕时间标识的移动对象频繁模式发现进行了研究,主要工作如下:(1)研究相对时间约束的兴趣区域发现针对传统的聚类方法发现兴趣区域时结果不确定且挖掘效率不高的问题,本文引入相对时间约束,提出相对时间约束的兴趣区域发现方法。该方法首先对移动对象的运动平面均匀划分网格,接着基于均匀网格计算网格密度,并利用相对时间约束对满足网格密度要求的轨迹分段,然后对密度网格扩展得到候选兴趣区域,如果轨迹划分的轨迹段和候选兴趣区域有交集,那么该轨迹即为候选兴趣区域的支持轨迹,若支持轨迹数不小于给定的最小支持度阈值限制,则候选兴趣区域即为兴趣区域。实验表明,本文方法能够得到良好的兴趣区域效果,且有很高的挖掘效率。(2)研究时间约束的移动对象频繁模式挖掘传统的移动对象频繁模式挖掘结果大都不包含时间信息,因此本文在相对时间兴趣区域发现的基础上,提出一种时间约束的移动对象频繁模式挖掘方法。该方法首先对提取的相对时间约束的兴趣区域进行转换,得到转换后的序列,接着对这些序列投影,计算投影后的序列,并提取候选频繁模式,然后添加时间约束,若候选频繁模式的支持度不小于给定的最小支持度阈值,且满足时间约束的限制,则候选频繁模式即为频繁模式。实验表明,与传统的频繁模式挖掘算法相比,本文算法的挖掘效率在时间和空间上都有明显提高。(3)设计并实现时间标识的移动对象频繁模式发现原型系统在理论研究的基础上,本文设计并实现了时间标识的移动对象频繁模式发现原型系统,并利用真实数据集验证了本文算法的准确性和高效性,该系统具有良好的可视化效果,能够很好地展示本文算法的挖掘结果。
其他文献
近年来,越来越多的企业采用企业级的计算服务,以便在充分利用资源的前提下获得可扩展性和灵活性。这类计算环境的一个重要特征在于异构的,分布式的计算机系统需要在动态变化的业
与传统中国邮路问题相比,对随机网络中国邮路问题的研究具有更为重要的现实应用意义,成为了智能交通系统、计算机网络通信等复杂应用领域迫切需要解决的问题。解决传统中国邮
随着网络规模的日益扩大和网络结构的日趋复杂,网络管理已经成为计算机网络可靠运行的关键。网络管理的根本任务便是通过从网络中收集网络设备信息,并分析、监视和控制它们。因
生物识别技术是二十世纪最为热点的技术,人脸自动识别技术是生物特征识别技术的重要组成部分,在近三十年里得到了广泛的关注和研究,已经成为计算机视觉、模式识别领域的研究热点
随着Internet技术的迅速发展,网络入侵问题也越发严重,入侵检测己成为网络防护安全体系中的重要组成部分。入侵检测系统通过从计算机网络或计算机系统中的若干关键点收集信息并
随着电信行业的不断发展,对电信网络管理的要求也越来越高,现阶段的电信设备一般为多个厂商提供,这些不同厂商的设备在一起工作,难免会造成接口不一致,信息难以互通的局面。
神经网络方法由于具有自学习、自组织和泛化能力,在模式分类领域得到了广泛的应用。神经网络的泛化能力是指:用一组训练样本对神经网络进行训练后,网络对训练阶段未曾见过的
随着各种新兴业务以及迎合其需求的专有网络(VPN)的不断发展,IP网络正逐渐演变成为音频、视频和数据通信合一的传输媒介,从仅提供尽力(best-effort)服务向一个综合的或者拥有
对讲机是重要的无线通信设备,无需第三方基站支持,在没有网络信号覆盖的地方依然能够正常使用,具有其他通信设备无法替代的优势。在现今通信设备全面数字化的背景下,国家也对
LTE(Long Term Evolution,长期演进)技术是新一代的无线通信技术,它可以更好的支持移动环境下的无线视频传输。基于项目实际需求,本文借助于LTE技术实现了一套对底层透明的、