- 轨迹数据挖掘介绍
轨迹挖掘分为伴随模式挖掘、频繁模式挖掘、周期模式挖掘等不同种类。
- 伴随模式挖掘是在轨迹数据中提取伴随的移动对象,通过分析移动对象群体的行为特征和规律,可以发现时空环境中的群体。典型的伴随模式有flock、convoy、gathering等。
- 频繁模式挖掘是从大规模轨迹数据中发现频繁时序模式,例如挖掘公共性规律或公共性频繁路径等。一般来说轨迹数据中包含了位置、时间和语义信息,所以时空轨迹频繁模式挖掘与传统的频繁序列挖掘有一定的区别。频繁模式挖掘在生活模式挖掘、地点预测、用户相似性估计等方面有很多应用。
- 移动对象经常有一些周期性的活动行为,例如购物行为、动物的定期迁移行为等,通过挖掘此类轨迹可以预测移动对象未来的行为。一般将周期模式挖掘分为完全周期模式、部分周期模式、同步周期模式、异步周期模式等。
- 伴随关系分析将采用伴随模式挖掘。
- 伴随模式挖掘相关算法
- 轨迹相似度度量算法
比较经典的轨迹相似度计算方法有最长公共子序列(LCSS)、编辑距离(ED)、动态时间规整(DTW)等
-
-
- DTW:
-