移動對象軌跡異常和關(guān)聯(lián)模式的挖掘.pdf

1、隨著技術(shù)的不斷進步,針對各種移動對象的服務(wù)也越來越多,移動對象的軌跡數(shù)據(jù)作為移動對象的歷史活動數(shù)據(jù),在某種程度能夠體現(xiàn)移動對象的屬性、狀態(tài)、行為等內(nèi)外部特征。
　　本文以數(shù)據(jù)挖掘中的異常檢測與關(guān)聯(lián)分析技術(shù)為基礎(chǔ),針對移動對象的兩種軌跡:正常軌跡與異常軌跡,分別進行了相關(guān)研究。論文主要工作如下:
　　1.基于軌跡劃分的異常軌跡檢測方法
　　針對現(xiàn)有的軌跡異常檢測方法不能檢測出異常子軌跡的缺點,提出了一種基于軌跡劃分的異常

2、軌跡檢測算法Partition_Detection。該方法分為兩個階段,首先采用兩種分段粒度將每條軌跡分為若干子軌跡線段,以確保分段結(jié)果的有效性與算法的高效性,得到的子軌跡線段集合將用于下一階段的異常檢測。然后,在基于距離的異常檢測方法的基礎(chǔ)上,引入調(diào)整系數(shù)的概念,提出了一種密度與距離相結(jié)合的檢測方法。該方法提高了異常軌跡檢測的質(zhì)量,同時避免了稠密區(qū)域漏檢的情況發(fā)生。
　　實驗結(jié)果表明,Partition_Detection算法可

3、以成功檢測出異常子軌跡,并且可以檢測出稠密區(qū)域中的異常軌跡。此外,算法性能令人滿意,基于兩種粒度的軌跡劃分策略可以剪枝掉大量的粗粒度子軌跡線段之間的兩兩比較,大大提高算法的運行效率。
　　2.基于AprioriAll算法軌跡關(guān)聯(lián)模式挖掘方法
　　在剔除異常軌跡的基礎(chǔ)上,運用數(shù)據(jù)挖掘算法中的關(guān)聯(lián)分析算法挖掘出剩余軌跡中的關(guān)聯(lián)模式。首先,基于 AprioriAll算法,提出了一種邏輯比較簡單、清晰但有效的適用于軌跡數(shù)據(jù)集的關(guān)聯(lián)模

4、式挖掘算法 Pattern_Mining。根據(jù)事先設(shè)定的最小支持度與置信度閾值,挖掘出所有長度的頻繁軌跡序列,并生成相應(yīng)的關(guān)聯(lián)規(guī)則。然后,在 Pattern_Mining的基礎(chǔ)上,提出了一種基于數(shù)據(jù)庫增量更新的關(guān)聯(lián)模式挖掘算法Pattern_Mining_UP。該算法只對部分頻繁軌跡進行挖掘,充分利用了原有的頻繁軌跡集,避免了冗余操作,提高了挖掘效率。
　　實驗結(jié)果表明,Pattern_Mining算法可以正確挖掘出軌跡集中的關(guān)聯(lián)