近年來,隨著無線通信、移動定位、互聯(lián)網(wǎng)、云計(jì)算等技術(shù)的快速發(fā)展,人們能夠源源不斷地獲得海量的軌跡數(shù)據(jù)。軌跡數(shù)據(jù)具有明顯的時(shí)空特征和流式特征,通過分析和挖掘,能夠一定程度上反映出移動對象的運(yùn)動模式。時(shí)空軌跡聚集模式是時(shí)空軌跡模式中的一個(gè)重要研究內(nèi)容,主要用于發(fā)現(xiàn)異�；虻湫托缘娜后w事件,被廣泛應(yīng)用于人類行為模式、交通物流、動物習(xí)性、市場營銷等領(lǐng)域。目前,時(shí)空軌跡聚集模式挖掘算法研究取得了一系列成果,但針對流式數(shù)據(jù)處理的算法效率還有待提升。本文研究軌跡數(shù)據(jù)流中的聚集模式挖掘算法,在聚類和群組檢測階段取得的主要研究成果如下:1.提出了一種面向聚集模式挖掘的網(wǎng)格聚類算法MR-GDBSCAN（Grid-based MR-DBSCAN）,在Spark分布式環(huán)境中加以實(shí)現(xiàn)。該算法將海量的移動對象點(diǎn)映射到網(wǎng)格中,通過網(wǎng)格索引移動對象,將網(wǎng)格作為聚類對象,減少了需要進(jìn)行聚類的數(shù)量,降低了計(jì)算量,并利用二叉空間分割技術(shù)將網(wǎng)格數(shù)據(jù)分發(fā)到各個(gè)計(jì)算節(jié)點(diǎn)中去并行聚類,以此來達(dá)到提高聚類效率的目的。2.提出了一種基于滑動時(shí)間窗口的增量式群組檢測算法,結(jié)合Spark Streaming的滑動時(shí)間窗口模型,在時(shí)間窗口中對... 

【文章頁數(shù)】：58 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
abstract
第1章 引言
    1.1 研究背景和意義
    1.2 國內(nèi)外研究現(xiàn)狀
    1.3 論文主要工作
    1.4 論文章節(jié)組織結(jié)構(gòu)
第2章 相關(guān)研究基礎(chǔ)
    2.1 聚類算法
        2.1.1 基于劃分的聚類算法
        2.1.2 基于層次的聚類算法
        2.1.3 基于密度的聚類算法
        2.1.4 基于網(wǎng)格的聚類算法
    2.2 索引技術(shù)
        2.2.1 B樹索引
        2.2.2 R樹索引
        2.2.3 四叉樹索引
        2.2.4 網(wǎng)格索引
    2.3 時(shí)空軌跡聚集模式挖掘方法
        2.3.1 基于密度的聚集模式挖掘方法
        2.3.2 基于近似查詢的聚集模式挖掘方法
        2.3.3 基于關(guān)聯(lián)規(guī)則剪枝的聚集模式挖掘方法
    2.4 Spark大數(shù)據(jù)生態(tài)圈
        2.4.1 Spark特點(diǎn)
        2.4.2 RDD數(shù)據(jù)集
        2.4.3 Spark Streaming流式技術(shù)
    2.5 本章小結(jié)
第3章 基于軌跡數(shù)據(jù)流的聚集模式挖掘方法
    3.1 相關(guān)定義
    3.2 面向聚集模式的網(wǎng)格聚類算法
        3.2.1 網(wǎng)格構(gòu)建
        3.2.2 數(shù)據(jù)分區(qū)
        3.2.3 本地聚類
        3.2.4 全局聚類
    3.3 增量式群組挖掘算法
        3.3.1 增量式群組檢測
        3.3.2 時(shí)間復(fù)雜度分析
    3.4 聚集模式檢測
    3.5 本章小結(jié)
第4章 實(shí)驗(yàn)與分析
    4.1 實(shí)驗(yàn)數(shù)據(jù)集
    4.2 實(shí)驗(yàn)結(jié)果與分析
        4.2.1 聚類參數(shù)分析
        4.2.2 效率、可伸縮性分析
        4.2.3 挖掘效果可視化
    4.3 本章小結(jié)
第5章 總結(jié)與展望
    5.1 總結(jié)
    5.2 展望
        5.2.1 算法層面的考慮
        5.2.2 研究數(shù)據(jù)層面的考慮
        5.2.3 數(shù)據(jù)可視化層面的考慮
參考文獻(xiàn)
致謝
攻讀碩士學(xué)位期間從事的科研工作及取得的成果


【參考文獻(xiàn)】：
期刊論文
[1]基于密度自適應(yīng)聚類數(shù)的社區(qū)發(fā)現(xiàn)譜方法[J]. 王學(xué)軍,李有紅,李熾平.  計(jì)算機(jī)技術(shù)與發(fā)展. 2019(05)
[2]Hadoop研究及挑戰(zhàn)綜述[J]. 何思佑,王亞強(qiáng).  信息通信. 2018(10)
[3]基于密度權(quán)值平均變化率的CFSFDP聚類算法[J]. 董炎焱.  太原師范學(xué)院學(xué)報(bào)(自然科學(xué)版). 2018(03)
[4]Spark性能優(yōu)化技術(shù)研究綜述[J]. 廖湖聲,黃珊珊,徐俊剛,劉仁峰.  計(jì)算機(jī)科學(xué). 2018(07)
[5]基于時(shí)空軌跡的移動對象匯聚模式挖掘算法[J]. 張逸凡,趙斌,孫鴻艷,談超,吉根林.  數(shù)據(jù)采集與處理. 2018(03)
[6]近似到達(dá)時(shí)間約束下的語義軌跡頻繁模式挖掘[J]. 吳瑕,唐祖鍇,祝園園,彭煜瑋,彭智勇.  軟件學(xué)報(bào). 2018(10)
[7]一種新的基于時(shí)空軌跡的匯合模式挖掘算法[J]. 楊宇,吉根林,趙斌,黃瀟婷.  南京大學(xué)學(xué)報(bào)(自然科學(xué)). 2018(01)
[8]一種基于MapReduce高效K-means并行算法[J]. 王永貴,崔鵬.  遼寧工程技術(shù)大學(xué)學(xué)報(bào)(自然科學(xué)版). 2017(11)
[9]基于MapReduce的并行MRACO-PAM聚類算法[J]. 趙寶文,徐華.  計(jì)算機(jī)工程與科學(xué). 2017(10)
[10]面向位置大數(shù)據(jù)的快速密度聚類算法[J]. 于彥偉,賈召飛,曹磊,趙金東,劉兆偉,劉驚雷.  軟件學(xué)報(bào). 2018(08)

博士論文
[1]基于軌跡數(shù)據(jù)的移動對象聚集模式挖掘方法研究[D]. 張峻銘.北京郵電大學(xué) 2016

碩士論文
[1]基于Spark的時(shí)空數(shù)據(jù)查詢與分析關(guān)鍵技術(shù)研究[D]. 蘇敏章.西安電子科技大學(xué) 2018
[2]基于語義相似度的中文文本聚類算法研究[D]. 楊開平.電子科技大學(xué) 2018
[3]云計(jì)算環(huán)境下時(shí)空軌跡聚集模式挖掘算法研究[D]. 王敏.南京師范大學(xué) 2016



本文編號：3662790