發(fā)布時間：2021-02-23 13:05

　　隨著無線通信和移動計算技術以及全球定位和導航系統(tǒng)的快速發(fā)展,時空軌跡數據不斷增加,因此對能夠分析軌跡潛在模式的技術需求也在增加。同時,現(xiàn)實世界的許多時空現(xiàn)象呈現(xiàn)出順序和等級性質,時空軌跡數據的模式挖掘就是為了尋找其中一些有價值的潛在模式。傳統(tǒng)軌跡模式挖掘的研究重點側重于如何對某一模式進行更加精準和快速的挖掘,但是對于同一段軌跡序列包含幾種不同模式特征的情形沒有進行很好的展現(xiàn),不利于用戶發(fā)現(xiàn)移動對象的行為模式隨時間演化的過程。此外,可視分析的工作和探索空間也有一定的局限性。針對軌跡序列在不同時間粒度下可能表現(xiàn)出不同的行為模式這一現(xiàn)象,本文提出了一種基于軌跡聚類的潛在模式可視分析方法,通過將軌跡數據中模式挖掘的技術和可視分析的技術相結合而彌補了各自方法中存在的不足。具體而言,本文提出了一種基于代表類簇提取的時空軌跡數據模式挖掘算法,首先提出了一種自適應Traclus算法來對軌跡數據進行聚類分析,并在聚類以后根據動態(tài)時間彎曲距離提出了一種提取代表類簇的方法,通過對代表類簇的提取來對軌跡中的行為模式進行挖掘。進一步設計了一種多時間粒度的軌跡模式分析視圖,建立了潛在模式的可視化交互分析模型,用戶... 

【文章來源】：國防科技大學湖南省 211工程院校 985工程院校

【文章頁數】：74 頁

【學位級別】：碩士

【部分圖文】：

圖1.1分層聚類模型：凝聚和分裂在凝聚框架之中，首先對軌跡進行分組，接著通過搜索相似類簇的共同屬性

國防科技大學研究生院碩士學位論文圖1.2船舶軌跡的直接可視化聚集可視化是對軌跡數據先進行聚集計算得到一些聚集數據，然后根據得到的聚集數據呈現(xiàn)給用戶進行可視分析。如圖1.3所示，展示了Landesberger等人[46]針對時間維度進行聚集可視化的工作，他們采用了一個類似于平行集合的設計方式，相鄰軸之間的條帶表示了狀態(tài)變化。相比較于直接可視化方法而言，聚集可視化能夠處理的軌跡數據量明顯增大，同時分析任務也分擔了一部分給計算機負責，人工工作量相對較少。在能夠直接將一些聚集特性進行可視呈現(xiàn)的同時，聚集可視化在分析探索方面的自由度有較大限制，有時可能會遺漏掉一些重要信息，且會出現(xiàn)某些特征無法被用戶輕易理解的情況。圖1.3動態(tài)分類數據視圖特征可視化就是通過分析軌跡數據提取出特征并進行可視呈現(xiàn)。特征可視化在分析任務的目標上更加明確，搜索上更為系統(tǒng)和高效，也因此可以對較大量的軌跡數據進行快速分析。例如圖1.4所示，AndrienkoG等人[47]根據空間位置和方第6頁

國防科技大學研究生院碩士學位論文圖1.2船舶軌跡的直接可視化聚集可視化是對軌跡數據先進行聚集計算得到一些聚集數據，然后根據得到的聚集數據呈現(xiàn)給用戶進行可視分析。如圖1.3所示，展示了Landesberger等人[46]針對時間維度進行聚集可視化的工作，他們采用了一個類似于平行集合的設計方式，相鄰軸之間的條帶表示了狀態(tài)變化。相比較于直接可視化方法而言，聚集可視化能夠處理的軌跡數據量明顯增大，同時分析任務也分擔了一部分給計算機負責，人工工作量相對較少。在能夠直接將一些聚集特性進行可視呈現(xiàn)的同時，聚集可視化在分析探索方面的自由度有較大限制，有時可能會遺漏掉一些重要信息，且會出現(xiàn)某些特征無法被用戶輕易理解的情況。圖1.3動態(tài)分類數據視圖特征可視化就是通過分析軌跡數據提取出特征并進行可視呈現(xiàn)。特征可視化在分析任務的目標上更加明確，搜索上更為系統(tǒng)和高效，也因此可以對較大量的軌跡數據進行快速分析。例如圖1.4所示，AndrienkoG等人[47]根據空間位置和方第6頁

【參考文獻】：
期刊論文
[1]基于時空模式的軌跡數據聚類算法[J]. 石陸魁,張延茹,張欣.  計算機應用. 2017(03)
[2]軌跡數據可視分析研究[J]. 王祖超,袁曉如.  計算機輔助設計與圖形學學報. 2015(01)
[3]時空軌跡大數據模式挖掘研究進展[J]. 吉根林,趙斌.  數據采集與處理. 2015(01)
[4]改進的自適應遺傳算法[J]. 張京釗,江濤.  計算機工程與應用. 2010(11)
[5]基于動態(tài)時間彎曲的時序數據聚類算法的研究[J]. 翁穎鈞,朱仲英.  計算機仿真. 2004(03)

博士論文
[1]移動對象軌跡數據挖掘方法研究[D]. 袁冠.中國礦業(yè)大學 2012

碩士論文
[1]動物移動軌跡數據的挖掘研究[D]. 權宇澄.華東師范大學 2016



本文編號：3047636