基于时空轨迹的群体运动移动簇模式排序方法技术

本发明专利技术公开一种基于时空轨迹的群体运动移动簇模式排序方法，包括以下步骤：构建移动簇‑兴趣点二部图和基于重启式随机游走模型进行排序。本发明专利技术移动簇基于重启式随机游走模型对移动簇进行重要性排序问题可以转换为“移动簇‑兴趣点”图中顶点的重要性计算问题，每个顶点的概率值代表该顶点的重要性，概率值越大说明该顶点越重要，利用该模型对移动簇进行重要性排序易于实现，不需要用户设置过多的参数便可以自动完成排序过程。

【技术实现步骤摘要】
基于时空轨迹的群体运动移动簇模式排序方法
本专利技术涉及时空数据的轨迹模式挖掘领域，具体涉及一种基于时空轨迹的群体运动移动簇模式排序方法。
技术介绍
随着移动对象轨迹数据量的快速增长，轨迹数据的分析挖掘需求明显增强。通过挖掘轨迹数据，可以发现大量时空轨迹模式。作为时空轨迹模式的重要组成部分，群体运动移动簇模式能够发现轨迹大数据中有价值的信息，从而用于分析移动对象群体的运动趋势和运动规律。对于群体运动移动簇模式而言，如何从大量挖掘结果中找出有价值的、重要的结果，涉及到模式的排序问题。由于群体运动移动簇模式多种多样，问题的定义各不相同,导致挖掘出的模式的表现形式也各不相同，然而它们都面临一个共同的问题，即从大量挖掘结果中找出用户感兴趣的少数部分。目前，群体运动移动簇模式主要包括成群模式(Flock)、护航模式(Convoy)、蜂群模式(Swarm)、汇聚模式(Convergence)、聚合模式(Gathering)等，它们大多借助经验人为地挑选出少数重要结果。这种方法虽然可行，但是人为地从大量结果中找出用户感兴趣的少数结果并非易事。为此需要找到一个统一的排序方法，帮助用户从众多挖掘结果中挑选出用户关心的少数结果。现有的研究工作中，关于时空轨迹模式挖掘结果的排序问题并不多。2011年，ZhijunYin等人提出轨迹模式排序方法，但是该方法只针对频繁模式的挖掘结果进行排序，并不适用于群体运动移动簇模式。目前，仍然没有针对群体运动移动簇模式挖掘结果进行排序的研究工作。究其原因，是由于群体运动移动簇模式挖掘结果所包含的属性各不相同，导致很难找到一种传统的排序方法来适用于所有群体运动移动簇模式的排序问题。对于群体运动移动簇模式排序问题而言，最简单的方法就是按照移动簇的持续时间或对象规模来进行排序。这种方法虽然简单，但存在很大缺陷。例如交管部门通常对一些热门区域(商业圈、车站、机场等)发生的事件更感兴趣，然而这些区域的移动簇并不一定具有较长的持续时间或者较大的对象规模，如果使用上述方法对这样的移动簇进行排序，则它们并不一定能被排在前面。因此，需要找到一个更有效的排序方法,帮助用户找出与重要地理位置相关的移动簇。
技术实现思路
专利技术目的：本专利技术的目的在于解决现有技术中存在的不足，提供一种基于时空轨迹的群体运动移动簇模式排序方法，解决对轨迹模式挖掘出的大量移动簇进行重要性排序的问题。技术方案：本专利技术一种基于时空轨迹的群体运动移动簇模式排序方法，包括以下步骤：(1)构建移动簇-兴趣点二部图，具体包括以下方法(1.1)获取移动簇的集合MC，MC＝{mc1,…,mcn}；(1.2)获取挖掘移动簇所使用的数据集的兴趣点集合POI，POI＝{poi1,…,poil}；(1.3)构建二部图；(1.4)二部图构建成功，采用邻接矩阵MMC·POI的形式来存储构建好的二部图；(2)基于重启式随机游走模型进行排序，具体方法如下：(2.1)对于步骤(1)中产生的邻接矩阵MMC·POI，计算得到其相应的转置矩阵(2.2)利用MMC·POI和构建方阵(2.3)对M进行行归一化处理，对每一条边eij，行归一化后的值为其中，w(eij)表示边eij上的权重，∑kw(ekj)表示所有边ekj的权重之和，1≤k≤n+l，1≤i≤n+l，1≤j≤n+l；k为矩阵M的第k行；(2.4)初始化列向量p和q，p向量中的每个元素置为0，q中的元素置为其中，向量p和q的长度均为n+l，n为所有移动簇的数目，l为兴趣点的数目；(2.5)利用公式p(t+1)＝(1-α)·M·p(t)+α·q进行迭代计算，其中t为迭代次数，此处迭代终止的条件为||p(t+1)||1-||p(t)||1<ε；其中，p(t)、p(t+1)和q是列向量，p(t)表示第t步图中的顶点概率分布，列向量q中设置目标用户顶点值为1，其余为0，M是转移概率矩阵；α为直接回到出发顶点的概率即重启概率；(2.6)将迭代终止后向量p中兴趣点的重要性得分去掉，剩下的即为每个移动簇的重要性得分，以重要性得分由高到低进行排序，所得结果即为移动簇的重要性排序结果。进一步的，所述步骤(1.3)的具体方法为：所构建二部图为MC-POI二部图G＝{MC∪POI,E}，其中，MC＝{mc1,…,mcn}，代表移动簇模式挖掘算法所挖掘出结果中的所有移动簇的集合,POI＝{poi1,…,poil}为挖掘算法所使用数据集中的兴趣点的集合，E＝{(mc,poi)|mc∈MC,poi∈POI}，是移动簇和兴趣点之间关系的有穷集合；令eij∈E表示移动簇mci到兴趣点poij的一条边；对于每一个移动簇mci，其空间属性中包含一个中心点或多个中心点的序列，若一个移动簇的中心点在一定的邻域半径γ范围内被很多poi兴趣点覆盖，则认为该移动簇是重要的，且该移动簇和这些被覆盖的poi兴趣点有联系，在二部图上它们之间有一条边；若某个poi兴趣点在邻域半径γ范围内，覆盖很多移动簇的中心点，则认为该poi兴趣点是重要的，且该poi兴趣点和这些移动簇有联系；在二部图的表示形式中，它们之间也存在一条边；上述MC-POI二部图存储于矩阵MMC·POI中，且二部图所有边上的权重都为1，即为RWR-Ranking方法的排序方法。进一步的，所述步骤(1.3)具体方法为：所构建二部图为MC-POI二部图G，G＝{MC∪POI,E}；其中MC＝{mc1,…,mcn}，代表移动簇模式挖掘算法所挖掘出结果中的所有移动簇的集合,POI＝{poi1,…,poil}为挖掘算法所使用数据集中的兴趣点的集合，E＝{(mc,poi)|mc∈MC,poi∈POI}，是移动簇和兴趣点之间关系的有穷集合。令eij∈E表示移动簇mci到兴趣点poij的一条边；对于每一个移动簇mci，其空间属性中包含一个中心点或多个中心点的序列，若一个移动簇的中心点在一定的邻域半径γ范围内被很多poi兴趣点覆盖，则认为该移动簇是重要的，且该移动簇和这些被覆盖的poi兴趣点有联系，在二部图上它们之间有一条边；若某个poi兴趣点在邻域半径γ范围内，覆盖很多移动簇的中心点，则认为该poi兴趣点是重要的，且该poi兴趣点和这些移动簇有联系；在二部图的表示形式中，它们之间也存在一条边；上述MC-POI二部图存储于矩阵MMC·POI，且将每一个移动簇的持续时间作为权重赋值给予与该移动簇有关联的POI所连成的边，所述持续时间即一个移动簇它在某个POI附近停留的时间，该停留的时间越长，其在二部图的边上所占的权重就越大。即为WRWR-Ranking方法的排序方法。进一步的，所述步骤(2.5)中ε取值为0.0001。有益效果：本专利技术建立“移动簇-兴趣点”的图模型，结合移动簇的时空属性和兴趣点三个重要因素，对移动簇进行建模，通过移动簇的空间属性和兴趣点之间的联系生成“移动簇-兴趣点”二部图，并将移动簇所包含的时间属性以权重的方式赋值给二部图的边。由于图的特殊结构，使得该方法可以将移动簇基于重启式随机游走模型对移动簇进行重要性排序问题，每个顶点的概率值代表该顶点的重要性，概率值越大说明该顶点越重要，利用该模型对移动簇进行重要性排序易于实现，不需要用户设置过多的参数便可以自动完成排序过程。综上所述，现有技术的时空轨本文档来自技高网...

【技术保护点】
一种基于时空轨迹的群体运动移动簇模式排序方法，其特征在于：包括以下步骤：(1)构建移动簇‑兴趣点二部图，具体包括以下方法(1.1)获取移动簇的集合MC，MC＝{mc1,…,mcn}；(1.2)获取挖掘移动簇所使用的数据集的兴趣点集合POI，POI＝{poi1,…,poil}；(1.3)构建二部图；(1.4)二部图构建成功，采用邻接矩阵MMC·POI的形式来存储构建好的二部图；(2)基于重启式随机游走模型进行排序，具体方法如下：(2.1)对于步骤(1)中产生的邻接矩阵MMC·POI，计算得到其相应的转置矩阵

【技术特征摘要】
1.一种基于时空轨迹的群体运动移动簇模式排序方法，其特征在于：包括以下步骤：(1)构建移动簇-兴趣点二部图，具体包括以下方法(1.1)获取移动簇的集合MC，MC＝{mc1,…,mcn}；(1.2)获取挖掘移动簇所使用的数据集的兴趣点集合POI，POI＝{poi1,…,poil}；(1.3)构建二部图；(1.4)二部图构建成功，采用邻接矩阵MMC·POI的形式来存储构建好的二部图；(2)基于重启式随机游走模型进行排序，具体方法如下：(2.1)对于步骤(1)中产生的邻接矩阵MMC·POI，计算得到其相应的转置矩阵(2.2)利用MMC·POI和构建方阵(2.3)对M进行行归一化处理，对每一条边eij，行归一化后的值为其中，w(eij)表示边eij上的权重，∑kw(ekj)表示所有边ekj的权重之和，k为矩阵M的第k行，1≤k≤n+l，1≤i≤n+l，1≤j≤n+l；(2.4)初始化列向量p和q，p向量中的每个元素置为0，q中的元素置为其中，向量p和q的长度均为n+l，n为所有移动簇的数目，l为兴趣点的数目；(2.5)利用公式p(t+1)＝(1-α)·M·p(t)+α·q进行迭代计算，其中t为迭代次数，此处迭代终止的条件为||p(t+1)||1-||p(t)||1<ε；其中，p(t)、p(t+1)和q是列向量，p(t)表示第t步图中的顶点概率分布，列向量q中设置目标用户顶点值为1，其余为0，M是转移概率矩阵；α为直接回到出发顶点的概率即重启概率；(2.6)将迭代终止后向量p中兴趣点的重要性得分去掉，剩下的即为每个移动簇的重要性得分，以重要性得分由高到低进行排序，所得结果即为移动簇的重要性排序结果。2.根据权利要求1所述的基于时空轨迹的群体运动移动簇模式排序方法，其特征在于：所述步骤(1.3)的具体方法为：所构建二部图为MC-POI二部图G＝{MC∪POI,E}，其中，MC＝{mc1,…,mcn}，代表移动簇模式挖掘算法所挖掘出结果中的所有移动簇的集合,POI＝{poi1,…,poil}为挖掘算法所使用数据集中的兴趣点的集合，E＝{(mc,poi)|mc∈MC,poi∈POI}...

【专利技术属性】
技术研发人员：吉根林，张玉洁，赵斌，
申请(专利权)人：南京师范大学，
类型：发明
国别省市：江苏,32