Chap4-3轨迹模式挖掘剖析.pptxVIP

;目录;真实位置感知：淹没在数据中，却缺乏知识 轨迹模式挖掘 是数据挖掘中新兴、快速发展的主题 关注轨迹相似形的分组 应用 交通优化 预测 动物运动分析，社会分析 团队运动赛事分析 交通分析;模式发现过程;轨迹的挖掘任务 轨迹聚类：基于空间/时空的几何估计进行分组 轨迹联合：给定两个轨迹数据库，检索所有的相似对 空间和时空模式;轨迹模式的颗粒度 全局模式（基本单元是整体轨迹） vs. 部分模式（关注部分轨迹） 独立模式（独立对象） vs. 群组模式（不同对象的共同模式） 轨迹模式的约束 空间约束: 在空间网络上运动 时间约束: 周期性 ;关键特征： 识别移动对象轨迹的相似运动 相对运动：分析轨迹到运动属性 (速度, 运动方位角). 模式类型 基本运动: constance, concurrence, trendsetter. 空间运动: track, flock, leadership. 聚合/分离运动: convergence, encounter, divergence, breakup.;描述移动事件，不考虑绝对位置 定义 Constance：连续时间序列的相等运动属性. Concurrence：有相等运动属性的多一个对象 Trendsetter：一组的共享目标的运动图形. E.g., “constance” + “concurrence.”;基本运动模式+空间约束 定义 Track：单个对象，保持相同运动，constance+ 空间约束 Flock：一组对象，同时保持相同运动，concurrence +空间约束 Leadership ：一个领导，跟着一组具有相同的运动物体， trendsetter +空间约束 ;Flock (m,k,r): 在半径r内， m个对象，k个连续点 Meet (m,k,r): 至少m个对象，在半径r内，至少k个连续点 ;描述聚合和分离对象的运动 定义 Convergence：一组对象共享运动方位角，在一定区域相交 Encounter：到达给定空间范围的一组对象 Divergence ：与Convergence相反 Breakup：与Encounter相反 ;Encounter (m,r) : 至少m个对象同时到达半径为r的范围内 Convergence (m,r):至少m个对象经过达半径为r的范围内 (不需要同时).;使用密度概念，允许任意的形状和范围的通用轨迹模式 模式类型 TRACLUS: 轨迹聚类 Moving cluster:空间簇的序列 Convoy: density-based flock. Swarm: time-relaxed convoy.;密度的概念;概念 密度相连轨迹段的聚类 不考虑时间 过程 把轨迹分为子轨迹 在每个子轨迹进行DBSCAN聚类 实现聚类 ;概念：在一个时间段内，一组对象相互靠近 ;概念： 基于密度链接的 “Flock (m,k,r).” ;概念：Time-relaxed convoy. 对象在时间上的倒数;反映出租车轨迹数据分布的热度图;将城市划分出若干区域，分析出租车行驶状况，了解交通拥堵的潜在问题;Finding Smart Driving Directions ;Urban Computing for Urban Planning ;Anomalous Events Detection ;; ;获得录像中的关键信息，便于刑侦员聚焦、观察、分析嫌疑对象 ; 在城市大规模联网监控系统中，监控中心的电视墙可同时显示几十路的监控画面，完全靠人眼观察很容易遗漏异常事件。 研究表明,专业监控人员在仅仅监视2个监视器的情况下，22分钟后将错过95%的行为。;遗留物体检测