轨迹数据挖掘（trajectory data mining）

位置采集和移动计算技术的进步已经产生了大量的空间轨迹数据，这些数据代表了移动物体（如人，车辆和动物）的移动性。在过去十年中，已经提出了许多技术来处理，管理和挖掘轨迹数据，促进了广泛的应用。在本文中，我们对轨迹数据挖掘的主要研究进行了系统的调查，提供了该领域的全景及其研究课题的范围。根据轨迹数据的导出，轨迹数据预处理，轨迹数据管理以及各种挖掘任务（如轨迹模式挖掘，异常值检测和轨迹分类）的路线图，调查探讨了连接，相关性，以及这些现有技术之间的差异。该调查还介绍了将轨迹转换为其他数据格式（如图形，矩阵和张量）的方法，可以应用更多的数据挖掘和机器学习技术。最后，提出了一些公共轨迹数据集。这项调查有助于塑造轨迹数据挖掘领域，为社区提供对该领域的快速了解。

位置采集和移动计算技术的进步已经产生了大量的空间轨迹数据，这些数据代表了移动物体（如人，车辆和动物）的移动性。在过去十年中，已经提出了许多技术来处理，管理和挖掘轨迹数据，促进了广泛的应用。在本文中，我们对轨迹数据挖掘的主要研究进行了系统的调查，提供了该领域的全景及其研究课题的范围。根据轨迹数据的导出，轨迹数据预处理，轨迹数据管理以及各种挖掘任务（如轨迹模式挖掘，异常值检测和轨迹分类）的路线图，调查探讨了连接，相关性，以及这些现有技术之间的差异。该调查还介绍了将轨迹转换为其他数据格式（如图形，矩阵和张量）的方法，可以应用更多的数据挖掘和机器学习技术。最后，提出了一些公共轨迹数据集。这项调查有助于塑造轨迹数据挖掘领域，为社区提供对该领域的快速了解。

其次，在使用轨迹数据之前，我们需要处理一些问题，
例如噪声滤波，分割和地图匹配。这个阶段称为轨迹预处理，这是许多轨迹数据挖掘任务的基本步骤。噪声滤波的目标是从轨迹中移除可能由位置定位系统的不良信号引起的一些噪声点（例如，在城市峡谷中行驶时）。纵向压缩组合（对于路线图）
减少通信，处理和数据存储中的开销），同时保持弹性的自适应。定点检测算法移动物体 在一定距离阈值内停留了一段时间。停留点可以代表用户所去的餐厅或购物中心，比轨迹中的其他点具有更多的语义含义。轨迹分割通过时间间隔，空间形状或语义含义将轨迹划分成片段，用于进一步的过程，如聚类和分类。地图匹配旨在将轨迹的每个点投射到真正产生点的相应路段上。我们详细介绍第3节中的轨迹预处理。


其次，在使用轨迹数据之前，我们需要处理一些问题，
例如噪声滤波，分割和地图匹配。这个阶段称为轨迹预处理，这是许多轨迹数据挖掘任务的基本步骤。噪声滤波的目标是从轨迹中移除可能由位置定位系统的不良信号引起的一些噪声点（例如，在城市峡谷中行驶时）。纵向压缩组合（对于路线图）
减少通信，处理和数据存储中的开销），同时保持弹性的自适应。定点检测算法
移动物体在一定距离阈值内停留了一段时间。停留点可以代表用户所去的餐厅或购物中心，比轨迹中的其他点具有更多的语义含义。轨迹分割通过时间间隔，空间形状或语义含义将轨迹划分成片段，用于进一步的过程，如聚类和分类。地图匹配旨在将轨迹的每个点投射到真正产生点的相应路段上。我们详细介绍第3节中的轨迹预处理。


第三，许多在线应用需要立即挖掘轨迹数据（例如，调查交通异常），呼吁有效的数据管理算法可以快速检索满足某些标准的特定轨迹（如时空 - 来自大轨迹语料库。 通常有两种主要类型查询：最近的邻居和范围查询。 前者还与距离度量相关联，例如两个轨迹之间的距离。 另外，有两种类型（历史和最近）的轨迹，需要不同的管理方法。 我们将在第4节介绍轨迹索引和检索。


第四，基于前两个步骤，我们可以进行挖掘任务，如轨迹模式挖掘，轨迹不确定性，异常值检测和分类。