事理图谱-基于轨迹数据的团体挖掘

 

  1. 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。
  1. 伴随模式挖掘相关算法
    1. 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:
  • 0
    点赞
  • 27
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值