The invention proposes a method for determining the associated co occurrence mode of moving target, including the following steps: Step 1, divide the active data of the moving target to get the active data set; step 2, calculate the frequent activity mode of a single moving target according to the improved PrefixSpan algorithm; step 3, and calculate the common between the 22 targets. Step 4, according to the user screening conditions, determine the co occurrence mode between the 22 targets. The method of determining the associated co occurrence mode of moving target in this invention, using the correlation mining algorithm for reference, provides a method to determine the correlation co occurrence mode of the frequent pattern of the moving target and the co occurrence intensity of the target, and the result has high credibility. One
【技术实现步骤摘要】
一种移动目标关联共现模式的确定方法
本专利技术属于移动目标活动模式的确定技术,特别是一种移动目标关联共现模式的确定方法。
技术介绍
在计算机及网络普遍应用的信息化时代,人们已经习惯在任何时空环境下自然地与计算设备进行交互,具有位置感知功能的计算设备更是无时无刻地处于运转状态,记录着人、车辆等移动目标的行为轨迹。随着卫星通信、无限传感器等信息采集设备的快速发展和广泛应用,移动目标的轨迹数据和行为信息可以被更实时、有效地记录下来。这些移动目标跟踪数据包含了大量时间信息、空间信息及行为信息,可以为挖掘移动目标的活动规律和行为模式提供丰富的隐含条件,这些活动规律和行为模式在国防军事等方面也具有非常重要的研究和应用价值。移动目标轨迹数据的模式挖掘问题在国内外已取得较大研究进展,Castro等(CastroPS,ZhangD,LiS.UrbanTrafficModellingandPredictionUsingLargeScaleTaxiGPSTraces[C]//InternationalConferenceonPervasiveComputing.Springer-Verlag,2012:57-72.)针对大规模传感器等产生的轨迹数据,为构建一个独特的城市动态网络的基本视图,提出一种构建交通密度模型方法,该模型可以用来预测未来的交通状况和估计车辆尾气排放对空气质量的影响。Zhan等(ZhanX,HasanS,UkkusuriSV,etal.Urbanlinktraveltimeestimationusinglarge-scaletaxidatawithpartia ...
【技术保护点】
1.一种移动目标关联共现模式的确定方法,其特征在于,具体步骤为:
【技术特征摘要】
1.一种移动目标关联共现模式的确定方法,其特征在于,具体步骤为:步骤1、对移动目标的活动数据进行划分得到活动数据集;步骤2、依据改进的PrefixSpan算法,计算单个移动目标的频繁活动模式;步骤3、根据两个移动目标间的关联共现参数以及单个移动目标的频繁活动模式计算两个移动目标间的共现强度;步骤4、根据用户筛选条件,确定两个移动目标间的共现模式。2.根据权利要求1所述的移动目标关联共现模式的确定方法,其特征在于,步骤1中对移动目标的活动数据进行划分得到活动数据集的具体划分方法为:对所有移动目标的活动区域按经纬度进行划分,得到活动区域数据集:Area={a1,a2,…,aarea}式中,area为划分区域的总个数;在选定时间段D=[ds,de]内,以天为单位,对原始轨迹数据集中所有的轨迹数据按日期不同进行划分,得到划分过后的轨迹数据集:Trace={trace1,trace2,…,tracen}={tracei},i∈{1,2,…,n}式中,ds为开始日期,de为结束日期,n为历史数据所跨天数,tracei表示在第di天所有移动目标的轨迹数据集;按移动目标个体的不同,对第di天移动目标的轨迹数据集tracei进行划分得到:tracei={indii1,indii2,…,indiim}式中,m为移动目标个体种数;indiij为第di天移动目标个体xj的轨迹数据集,j∈{1,2,…,m},若当天,移动目标个体xj没有轨迹数据,则有:按照行为的不同,第di天移动目标个体xj的轨迹数据集划分为:式中,act为移动目标行为种数;为第di天,移动目标个体xj具有第k种行为的轨迹数据集,k∈{1,2,…,act},若当天,移动目标个体xj没有具有第k种行为的轨迹数据,则有:3.根据权利要求1所述的移动目标关联共现模式的确定方法,其特征在于,步骤2中依据改进的PrefixSpan算法,计算单个移动目标的频繁活动模式,具体步骤为:步骤2.1、对于选定时间段D=[ds,de]内,移动目标个体xj第k种行为的轨迹数据集为:取出其包含的每一条轨迹数据,提取其中包含的区域顺序信息,化为序列形式则有:Qcount=<I1,I2,I3,…,ITOTAL>式中,I1,I2,I3,…,ITOTAL分别表示一个移动目标个体xj去过的区域,且按时间升序排列,TOTAL表示该条轨迹数据经过的区域个数,对于则有步骤2.2、寻找轨迹数据集中的序列模式,构建频繁序列集合,具体方法为:定义support(Qcnt)为序列Qcnt的支持数,其中定义sup为支持度;当序列Qcnt的支持数support(Qcnt)不小于支持度sup时,将序列Qcnt称作是在轨迹数据集中的一个序列模式,同时将序列Qcnt存入选定时间段D=[ds,de]内,移动目标个体xj第k种行为的频繁序列集合中,得到:记录序列Qcnt的出现次数为:cxcscnt=support(Qcnt)步骤2.3、计算获得选定时间段内,单个移动目标的频繁活动模式,具体方法为:对频繁序列集合进行去重合并,去除子集序列,获得最长频繁序列集合:最长频繁序列集合即为在选定时间段D=[ds,de]内,移动目标个体xj具有第k种行为的频繁活动模式。4.根据权利要求1所述的移动目标关联共现模式的确定方法,其特征在于,步骤3中根据两个移动目标间的关联共现参数以及单个移动目标的频繁活动模式计算两个移动目标间的共现强度,具体步骤为:步骤3.1、判断两个移动目标间是否存在关联共现,若存在,则进行下一步;步骤3.2、计算两个移动目标间的共现强度。5.根据权利要求4所述的移动目标关联共现模式的确定方法,其特征在于,步骤3.1中判断两个移动目标间是否存在关联共现的具体步骤为:步骤3.1.1、在选定时间段D=[ds,de]内,以天为单位,计算两个移动目标间基于行为的共同出现次数,具体方法为:对于任意属于选定时间段D=[ds,de]中的第di天的轨迹数据集tracei,对于任意两目标xA和xB,对于其具有的任意行为k1和k2,及任意活动区域α和β,计算其共同出现次数其中,i∈{1,2,…,n},A、B∈{1,2,…,m},k1、k2∈{1,2,…,act},α、β∈{a1,a2,…,aarea},当第di天,目标xA出现具有行为k1的活动数据,目标xB出现具有行为k2的活动数据,则:步骤3.1.2、在选定时间段D...
【专利技术属性】
技术研发人员:朱满洲,张琨,蔡颖,谢彬,赵静,麻孟越,周濛,张云纯,
申请(专利权)人:南京理工大学,
类型:发明
国别省市:江苏,32
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。