時空軌跡匯聚模式挖掘算法研究.pdf

1、隨著位置定位技術的快速發(fā)展，越來越多的智能終端配備了定位功能，這些終端時刻記錄著移動對象的運動軌跡，由此逐漸形成海量的時空軌跡數據。時空軌跡匯聚模式挖掘是時空軌跡模式挖掘的重要組成部分，可廣泛應用于經驗路徑推薦、交通路況預測、城市規(guī)劃、出租車服務等方面。針對目前已有的匯聚模式挖掘相關算法的不足，本文主要從模式挖掘的效果和效率進行研究，取得如下研究成果:
　　1.提出了基于軌跡點聚集的匯聚模式挖掘算法CPMP(Converging

2、Pattern Mining based on Point clustering)。該算法首先定位密度峰值點，確定候選的匯聚中心區(qū)域，然后依次識別每個時刻的匯聚群體，按照群體匯聚的持續(xù)性要求識別匯聚模式。本文利用真實的軌跡數據進行實驗，驗證了所提算法CPMP在挖掘效果和算法效率方面的優(yōu)勢。為了應對海量軌跡數據的挖掘需求，本文在算法CPMP的基礎上提出基于Spark的匯聚模式并行挖掘算法PCPMP(Parallel Converging

3、Pattern Mining based on Point clustering)。該算法通過數據復制，使得每個時刻對應的記錄都包含一個連續(xù)時間區(qū)間上的軌跡數據，然后對各個記錄利用算法CPMP并行地進行挖掘。實驗結果表明，算法PCPMP具有良好的擴展性和加速比。
　　2.提出了基于軌跡段聚集的匯聚模式挖掘算法CPMS(Converging Pattern Mining based on Segment clustering)。該算

4、法首先根據移動對象運動的漸變性，以更新的方式計算出每個時間片的演化軌跡簇，然后基于演化軌跡簇挖掘中心密集的匯聚模式。利用真實的軌跡數據進行實驗，驗證了本文提出的算法CPMS的有效性和高效性。為了應對海量軌跡數據的挖掘需求，本文在算法CPMS的基礎上提出了基于Spark的匯聚模式并行挖掘算法PCPMS(ParalM Converging Pattern Mining based on Segment clustering)。該算法通過按范