基于轨迹数据的大规模路网交通拥挤时空关联规则挖掘

提出了K近邻RElim(K neighbor-RElim,KNR)算法和时序K近邻RElim(sequential KNbrRElim,SKNR)算法,利用大规模路网的车辆轨迹数据来挖掘路段拥挤关联规则和拥挤传播时空关联规则。其中KNR算法在RElim算法基础上拓展了空间拓扑约束,可高效从大规模车辆轨迹数据集中挖掘路网中关联性拥挤易发路段,并量化这些路段间拥挤的关联性强度。而SKNR算法进一步以滑动窗口的形式拓展时间维度,可以挖掘出大规模路网中难以直接观测的拥挤传播现象,并追溯拥挤传播路径。以成都路网和车辆轨迹数据的挖掘结果对所提出的算法进行了说明和验证,结果表明了算法的有效性和鲁棒性。

基于频繁序列挖掘的出租车轨迹特性分析

为进一步厘清不同出租车路径选择行为的差异性,采用频繁序列挖掘方法提取了同一个OD对间的频繁路径,构建路径选择集,分别从静态和动态两个角度分析路径集的相似特性。以西安市出租车的轨迹数据为研究对象,通过栅格划分与路网匹配,获得了不同OD对之间的路径集合。重新定义了频繁路径,采用PrefixSpan演变算法,在得到频繁子序列的基础上引入动态阈值和频繁度指标挖掘频繁路径,提取了最短路径和其他路径,完成了3类有效路径集的构建,并分析了路径集的一般属性。其后,将路径上二维时间序列(轨迹)间的相似度表示为动态相似度,将一维有向序列(路段)间的相似度表示为静态相似度,基于改进的最长公共子序列和动态时间规整算法对3类路径进行了相似性分析。结果表明:频繁路径与最短路径的相似度较高,意味着大多数出租车仍然选择具有最低出行时间的路段,但不一定会选择最短路径;时间和距离仍是出行者选择路径时主要考虑的因素,但出行者并不完全追求时间最短或距离最短;试验得到的动态相似度计算结果显著高于静态相似度计算结果,说明路径上的二维时序相似度高于一维形状相似度;两种方法下频繁路径和最短路径的相似度均最高,最短路径和其他路径的相似度均最低,比较结果的一致性说明可以用动态轨迹的相似度来大致度量静态路径的相似度。文中的频繁路径挖掘算法具有一定的可靠性,可为城市交通管理者进行路径推荐、道路规划等提供支持。

基于数据挖掘的船舶海上航行轨迹高精度跟踪研究

为提升船舶海上航行安全性,设计基于数据挖掘的船舶海上航行轨迹高精度跟踪方法。该方法利用数据处理模块对获取的船舶时空数据进行处理后,通过轨迹热点区域提取模块的改进密度峰值聚类算法,提取船舶航行轨迹热点区域;频繁轨迹挖掘模块在该区域内利用改进的序列模式挖掘算法,挖掘出具有时空属性的频繁航行轨迹,实现舰船海上航行轨迹跟踪。测试结果显示:该方法具有良好的聚类效果,能够可靠完成轨迹热点区域的聚类,DB指标的结果均在1.5以内;能够获取轨迹的热点区域,实现指定航线轨迹的高精度跟踪,在跟踪过程中没有发生明显的轨迹偏差情况。

现金轨迹数据挖掘的审计应用

大数据技术正在重塑和变革现有审计理念与方法。与传统基于会计信息实施审计监督不同,大数据审计开辟了从原始数据直接获取知识的新方式。实践中比数据挖掘技术更重要的是找到具体审计业务应用场景,本文提出现金轨迹数据理念,将现金在企业与银行账户间频繁流动所沉淀的多维电子数据加以运用,基于数据挖掘技术发现审计线索并形成审计判断。

基于纳米传感器的跳跃式滑雪轨迹数据快速挖掘研究

跳跃式滑雪轨迹数据挖掘对于训练方案调整与运动员成绩提升具有重要意义,但是当前的跳跃式滑雪轨迹数据挖掘方法的挖掘精度与效率不高,因此设计了一种新的基于纳米传感器的跳跃式滑雪轨迹数据快速挖掘方法。首先,利用纳米加速度传感器、纳米陀螺仪等获取跳跃式滑雪目标的加速度与旋转角速度等信号。其次,对采集的信号实施误差校正与滤波处理,实现跳跃式滑雪轨迹数据的初步获取。最后,将处理后的信号通过射频发射单元传输至上位机内,以构建自然坐标系与动态坐标系为基础,通过四元数转换确定跳跃式滑雪目标当前姿态,通过姿态解算实现跳跃式滑雪轨迹数据快速挖掘。实验结果表明,方法F1的值均保持在较高水平,跳跃式滑雪轨迹数据误差低且效率高,保证跳跃式滑雪轨迹数据质量与效率,在滑雪训练领域具有重要的应用价值。

基于标签传播的轨迹兴趣点挖掘及隐私保护

随着全球定位系统和移动数据采集设备的普及,产生了大量的轨迹数据,挖掘轨迹数据中潜在信息具有重要的现实意义,但在挖掘过程中存在着隐私信息泄露的危险。因此,本文提出一种基于标签传播的轨迹兴趣点挖掘及数据隐私保护机制,该机制将原始轨迹数据集进行预处理之后,进行基于密度的初次聚类,再运用改进的标签传播算法进行再次聚类,此算法在挖掘过程融入轨迹数据的多维度信息,提高了数据的利用率和兴趣点的精确度。同时,该机制融入一种基于改进的指数机制的差分隐私保护算法,此算法可以有效地保护用户的隐私信息不被泄露。对比实验结果表明,本文提出的方法与现有方法相比,具有更好的性能优势,同时有效地解决了用户隐私信息泄露的问题。

基于用户位置的频繁轨迹模式挖掘

近年来,从大量的频繁轨迹数据中提取有用信息以提供更佳的用户服务已成为一项重要挑战。其中涉及了信息的冗余和浪费,以及数据利用不充分的问题,这些因素导致了较低的数据利用率和算法效率。针对这些问题,文章深入分析了用户轨迹模式的挖掘方法。采用网格划分方法以及经过改进的Apriori算法,能够在高效且充分利用数据的前提下,快速有效地挖掘出用户的频繁路径模式。

融合隐私保护的车辆轨迹数据停留点挖掘方法

随着车载GPS定位设备的普及,产生了大量的车辆轨迹数据和位置信息,各种轨迹挖掘技术也应运而生.然而,现有的轨迹挖掘技术较少考虑用户的隐私泄露问题,因此,本文提出了一种融合隐私保护的车辆轨迹数据停留点挖掘方法.在该算法中,首先通过密度聚类筛选出轨迹停留点,其次结合差分隐私技术对停留点进行隐私保护.通过实验验证,该方法不仅能有效识别出停留点的位置,还能保护其隐私不被泄露.

基于情景感知与移动数据挖掘的行人轨迹预测方法

移动数据挖掘是智能交通领域中各项应用的研究基础,对于理解复杂的人类行为模式和改善城市规划、交通和公共安全有着巨大的潜力。行人轨迹预测立足于移动数据挖掘,从中发现行人的移动规律,致力于在智能机器人、自动驾驶、智慧旅游等许多现代产业中发挥重要作用。考虑到传统的行人轨迹预测模型仅关注时空数据,没有充分考虑人与环境、人与人之间的相互作用以及情景信息,提出了一种基于空间社会力图神经网络(Spatial Social Force Graph Neural Network,SSF-GNN)的行人轨迹预测模型。SSF-GNN可以处理行人的历史轨迹,并从不同场景中提取特征。利用社会力理论量化了行人的互动和情景感知信息。SSF-GNN融合了行人的社会影响和隐藏状态,可以准确预测连续轨迹点。在两个经典数据集(ETH和UCY)上进行了大量的实验,结果表明SSF-GNN的性能优于当前主流算法。平均位移误差(Average Displacement Error,ADE)相较于对比方法的平均值减小了25.6%,最终位移误差(Final Displacement Error,FDE)减小了15.4%。预测行人在未来3.2 s的轨迹点时,现有对比方法的平均准确率为48.6%,SSF-GNN的准确率显著优于最先进的模型,达到67.7%。

交通数据的轨迹挖掘方法研究

随着位置采集技术以及带有GPS组件的移动设备的大量应用,其产生的空间轨迹数据规模已经达到了可以进行研究的标准。为研究城市交通轨迹数据是否适用于相关移动聚类的算法,本文首先根据北京城市交通数据进行了预处理与降噪;然后,通过采用相关聚类算法进行对比,总结了各算法的优劣和适用性;最后对该实验的研究趋势进行了讨论。

一种支持轨迹大数据潜在语义相关性挖掘的谱聚类方法

针对交通管理优化和轨迹大数据挖掘的实际应用需求,本文提出了一种支持交通轨迹大数据潜在语义相关性挖掘的交通路网谱聚类方法(TSSC).首先研究了交通轨迹数据的向量空间建模方法,其次通过随机投影法快速提取大规模轨迹数据矩阵的特征信息并构建其低维语义子空间,然后基于语义子空间挖掘轨迹数据的潜在语义相关特性,在此基础上通过谱聚类方法实现了交通路网的快速聚类.通过本文提出的方法对总里程1400多万公里的实际交通轨迹数据进行实验分析表明,本方法可根据交通轨迹大数据的潜在语义相关性对交通路网进行快速的谱聚类处理,从而在复杂的交通路网间快速挖掘其潜在特性,为交通规划及其管理优化提供决策支持信息,同时也为时空大数据的聚类挖掘提供了一种新的解决方案.

利用出租车轨迹数据挖掘城市居民出行特征

通过用户产生的历史轨迹数据对城市的热点区域以及居民出行行为的时空特性进行挖掘研究逐渐受到重视,且取得了一定的进展。受电动力学中高斯定律的启发,该文在前人关于轨迹数据处理的基础上,针对出租车轨迹数据,将轨迹的方向和数量特征考虑在内,提出了一种基于高斯定律思想的轨迹挖掘方法,通过对不同时段出租车轨迹数据的挖掘,发现城市居民出行行为的时空特征以及城市的热点区域。

出租车轨迹数据挖掘进展

大数据、物联网与精密定位技术的发展推动了城市感知的进步。随着社会活动的与日俱增,出租车轨迹数据不仅记录了出租车的行车轨迹,还蕴藏着道路交通状态、城市居民出行规律、城市结构及其他社会问题。通过各种数据分析与挖掘手段对出租车轨迹数据进行深入探究,对于智能交通、城市规划等有着重要意义。本文综述了近十年国内外基于出租车轨迹大数据的相关研究,按照空间统计方法、时间序列方法、图论与网络方法及机器学习方法等4类,详细阐述各类方法的研究现状。随后,本文分析了现有研究的应用领域、热点主题和发展趋势。最后,本文指出了出租车轨迹数据挖掘研究领域面临的挑战和未来研究方向。

时空轨迹大数据模式挖掘研究进展

时空轨迹挖掘是数据挖掘领域的前沿研究课题,通过研究和开发时空轨迹挖掘技术,来发现隐藏在轨迹大数据中有价值的规律和知识以供决策支持。本文介绍了时空轨迹大数据模式挖掘与知识发现领域的研究进展;然后对时空轨迹模式挖掘技术产生的背景、应用领域和研究现状作了简介,并探讨了面向时空轨迹大数据模式挖掘的研究内容、系统架构以及关键技术,最后对时空轨迹频繁模式、伴随模式、聚集模式和异常模式的挖掘算法思想进行了阐述。

基于数据挖掘的四维飞行轨迹预测模型

为了解决传统的空气动力学模型在预测四维飞行轨迹上误差较大的问题,提出一种基于数据挖掘的预测模型。该模型挖掘历史飞行时间数据,从中找出影响飞行时间的因素,预测出下一次飞行的全程时间,然后从历史位置数据中分析得出飞机在每个采样周期点上的位置,实现完整的四维轨迹预测。仿真试验验证了该模型预测的准确性和可用性。

基于时空轨迹数据的出行特征挖掘方法

在车联网应用发展的背景下,许多城市的私家车和出租车上安装了配备GPS设备的智能终端,产生着大量的时空轨迹数据.为挖掘这些数据蕴含的驾驶员出行特征,本文以北京市出租车时空轨迹数据为例,基于时空GIS的视角提出并实现了驾驶员居住地挖掘方法和作息规律性分析方法.样本实验结果一方面展示了驾驶员居住地空间分布,另一方面表明作息规律性总相似度在0.6–1之间的驾驶员数量较多,占到了总数的73.75%.通过本文方法挖掘的信息可为出租车的管理提供辅助决策,方法同样适用私家车时空轨迹数据的挖掘,对私家车出行规律的研究和掌握更有意义.

时空轨迹大数据分布式蜂群模式挖掘算法

针对时空轨迹大数据的蜂群模式挖掘需求,提出了一种高效的基于MapReduce的分布式蜂群模式挖掘算法。首先,提出了基于最大移动目标集的对象集闭合蜂群模式概念,并利用最小时间支集优化了串行挖掘算法;其次,提出了蜂群模式的并行化挖掘模型,利用蜂群模式时间域无关性,并行化了聚类与子时间域上的蜂群模式挖掘过程;第三,设计了一个基于MapReduce链式架构的分布式并行挖掘算法,通过四个阶段快速地实现了蜂群模式的并行挖掘;最后,在Hadoop平台上,使用真实交通轨迹大数据集对分布式算法的有效性和高效性进行了验证与分析。

面向实时交通信息提取的车辆轨迹数据挖掘

车辆行驶轨迹是驾驶人员主观意愿和道路客观约束条件综合作用的结果,从海量车辆轨迹中可以挖掘出道路的实时交通信息为智能交通服务.通过建立轨迹约束模型用以量化各约束因子,基于线性参照系统的数据预处理以加快检索速度和降低轨迹的不确定性,基于移动目标主体相似性和移动轨迹时空相似性的数据选取降低了数据库搜索次数提高发掘准确度,分别针对道路交叉口和一般路段进行数据挖掘,提取实时的道路交通信息.研究结果和实验结果表明,这个挖掘算法可以有效地提取道路实时路况信息.

面向移动时空轨迹数据的频繁闭合模式挖掘

移动泛在感知设备的广泛普及为移动轨迹数据的大规模采集、存储与分析开拓了广阔的空间。通过对用户的移动轨迹数据进行分析挖掘,发现其中所蕴含的有价值的行为模式与特征,对于基于位置的服务(Location-based Service,LBS),城市交通管理,精准广告营销等领域均具有重要的价值。文中针对移动轨迹频繁模式规模过大、信息冗余问题定义了频繁闭合移动轨迹模式,以经典闭合序列模式挖掘算法为基础提出了适应于移动轨迹数据的频繁闭合模式Close Traj算法,分别通过对仿真数据与真实数据的实验测试,结果显示文中所提出的Close Traj算法对于频繁闭合移动轨迹模式挖掘问题具有较强的适用性,同时在运行效率方面具有显著优势。

基于出租车GPS轨迹数据挖掘的居民出行特征研究

城市居民出行特征分析在城市交通规划中日益重要,已经成为城市道路交通建设的一个重要依据,而城市出租车因为其运营特点和规律,可以很好地反应出居民出行的特征。因此,为了有效地解决城市道路拥堵问题、为城市交通规划提供依据,论文提出了基于出租车GPS轨迹数据挖掘的居民出行特征研究,该研究利用DBSCAN算法对出租车历史GPS运行轨迹数据进行聚类分析,不仅可以提取城市居民出行的时空特征,也可以有效地降低出租车的空载率。