论文部分内容阅读
随着智能终端、空间定位、测量传感等技术的快速发展,在交通、旅游等应用领域,大量具有时空特性的移动对象轨迹数据得以收集。对移动对象轨迹数据的挖掘和知识发现成为近年来人们研究和关注的热点问题,并被广泛应用在智能交通、个性化服务推荐等领域中。近年来,越来越多的学者认识到,移动对象的运动规律不仅与空间相关,也与时间相关,因此,从时空两个角度去分析移动对象的运动轨迹比研究其离散的采样点更具有实际的知识获取需求和应用意义。例如,通过提取移动对象的历史轨迹可挖掘分析得出其在过去某段时间内的运动规律和行为模式,依此预测该移动对象将来的运动轨迹,从而为其推荐和提供更人性化和更准确的个性化服务。 本文以“某城市实时车辆监管系统平台”项目为依托,基于该系统运行所得的海量车辆识别数据,结合车辆轨迹数据的时空特征,重点针对城市热点路径和伴随车辆两类典型的车辆数据分析需求,利用轨迹聚类和关联规则挖掘方法开展了车辆轨迹数据挖掘及查询优化方面的相关研究工作。本文的主要工作和贡献如下: (1)设计了一种用于热点路径分析的车辆轨迹聚类算法。 以热点路径发现为目标,通过分析路网约束条件下轨迹数据的时空特征和现有轨迹聚类方法的不足,实现了一种新的基于轨迹划分和时空相似性度量的轨迹聚类方法,从而发现移动对象的运动规律和行为模式,为用户行程推荐、监控调度等提供辅助决策信息。 (2)提出一种用于伴随车辆发现的改进的关联规则算法。 针对路网约束下的伴随车辆发现需求,对传统的布尔关联分析方法进行了改进和扩展,提出了新的基于相似度的关联分析算法,支持对涉案车辆的伴随情况以及潜在涉案车辆的伴随车辆情况的分析。 (3)在实际项目背景下进行了实现和验证。 基于上述成果,在某城市实时车辆监管平台支持环境的基础上设计了实验。实验表明,轨迹聚类算法能有效地降低轨迹的存储空间,提高轨迹的时空相似性搜索效率,而改进的关联分析算法在选择合适的支持度和信任度后在伴随车辆发现中更为有效。