移動(dòng)對(duì)象周期模式發(fā)現(xiàn)方法研究.pdf

1、伴隨信息技術(shù)和傳感器技術(shù)的進(jìn)步,數(shù)據(jù)的采集方式越來越多樣化,獲得數(shù)據(jù)大為方便。面對(duì)海量數(shù)據(jù),如何挖掘出數(shù)據(jù)背后的感興趣模式成為眾多學(xué)者研究重點(diǎn)。挖掘移動(dòng)對(duì)象背后周期模式為研究移動(dòng)對(duì)象提供了理論依據(jù),如研究動(dòng)物習(xí)性,也可以根據(jù)發(fā)現(xiàn)的周期模式做出合理的決策,如交通指揮等。本文主要研究移動(dòng)對(duì)象周期模式挖掘方法。
　　為了解決組合爆炸、稀有項(xiàng)問題、不能滿足閉包條件以及效率低下等問題,提出一種具有向下閉包特性的閉包多限制條件樹算法(Mult

2、i-Constraint Closure Conditional Tree, MCCCT)。算法為不同模式設(shè)置不同限制條件,解決了組合爆炸和稀有項(xiàng)問題,提高了挖掘效率。針對(duì)模式支持度和周期距離難于獲取的問題,根據(jù)每個(gè)模式出現(xiàn)頻數(shù)動(dòng)態(tài)獲取屬性值,增強(qiáng)了挖掘算法的靈活性。為防止噪音等不確定因素的影響,引入基于相似度的模式匹配算法,使模式挖掘更加具有健壯性。論文對(duì)提出的方法采用公開移動(dòng)對(duì)象數(shù)據(jù)進(jìn)行實(shí)驗(yàn)和分析,根據(jù)每個(gè)項(xiàng)出現(xiàn)頻率動(dòng)態(tài)獲取支持度閾

3、值和周期距離閾值。實(shí)驗(yàn)表明提出的方法能夠挖掘出稀有項(xiàng),抵御一定的噪音干擾,獲得更高質(zhì)量的周期模式,并且滿足閉包條件,解決了傳統(tǒng)方法不能解決的問題。
　　針對(duì)目前周期方法挖掘出的模式存在很大冗余性,挖掘出的周期模式往往不是用戶感興趣的,提出一種無冗余的周期模式發(fā)現(xiàn)算法(Non-Redundant Period Patterns,NRPP)。該方法同樣引入多支持度限制條件,提高篩選質(zhì)量。同時(shí)引入相似因子,使得相似模式被剪枝,減少了冗余