资 源 简 介
针对传统移动轨迹模式挖掘方法挖掘速度慢、占用最大内存大的问题，提出一种基于空间邻近搜索的移动轨迹相对时间模式挖掘方法。该方法包括5个阶段：1）对移动轨迹数据进行时空划分，并基于移动轨迹数据与时空格的匹配得到移动轨迹数据对应的时空格序列。2）扫描所有的时空格序列数据得到空间网格集合，并通过空间网格与时空格序列的包含运算得到所有的频繁空间网格。3）频繁空间网格转变为长度为1的频繁相对时间模式。4）基于空间邻近搜索的方式进行模式增长，得到以频繁空间网格为单元的候选相对时间模式，并通过相对时间模式与时空格序列的匹配运算，计算相对时间模式的支持度。5）基于设定的支持度阈值，得到所有频繁的相对时间模式。实验结果表明：所提方法由于采用了基于空间邻近搜索的方式进行模式扩展，大幅减小候选相对时间模式的搜索范围。与传统方法相比，所提方法具有挖掘速度快、占用最大内存少的优点。另外，方法在运行时间上具有更好的稳定性和可扩展性，而在占用最大内存上的稳定性与可扩展性与传统方法基本相近。该方法有助于移动轨迹模式挖掘方法提升挖掘速度、减少占用最大内存。
随着定位技术与移动通信技术的快速发展，基于位置服务（ Location Based Service， LBS ）的应用产生了大量具有时空特性的移动轨迹数据。挖掘移动轨迹数据从中发现隐含、有用的移动轨迹序列模式11-21 ，对于分析、预测人类或动物的相关行为习惯具有重要的参考价值。在生态学中，分析动物的运动路线，可以帮助我们更好地理解它们的行为习惯，当一些动物的运动模式突然改变时，有可能预示即将发生某些地质灾难（例如，地震、海啸等）［3］。在城市智能交通系统中，从大量车辆、行人的运动轨迹数据中发现频繁的移动轨迹序列模式，可以辅助交通规划、交通疏导等［91 。在商业应用领域，从记录人们日常出行行为习惯的运动轨迹数据中，挖掘移动轨迹序列模式并与商业管理系统中客户信息关联，可以实现位置场景感知的商品推荐、目标客户定向广告投送等
