数据挖掘中的模式发现(八)轨迹模式挖掘、空间模式挖掘

发布时间:2020-10-21 整理:编程之家
编程之家收集整理的这篇文章主要介绍了数据挖掘中的模式发现(八)轨迹模式挖掘、空间模式挖掘编程之家小编觉得挺不错的,现在分享给大家,也给大家做个参考。一起跟随编程之家小编过来看看吧!

这是模式挖掘、数据挖掘的一部分应用。

空间模式挖掘(Mining Spatiotemporal Patterns)

两个空间实体之间存在若干拓扑关系,这些关系基于两个实体的位置:

  • 分离
  • 相交
  • 包含

图1

如图所示地表示位置信息,可以提取类似下面的规则:

is_a(x,large_town)intersect(x,highway)adjacent_to(x,water)[7%,85%]

逐步求精(Progressive Refinement)

我们可以知道语言中有很对二义性的词语,并且可以用不同的词汇表达相同或者相近的意思。

比如,我们表示“靠近”,可以用“临近”、“接近”、“比邻”等等。那么我们就可以用Progressive Refinement来解决,因此空间关系可以应用在一个更加粗糙或者更精细的层次上。

Step 1

粗略计算,用于筛选

使用MBR(Minimum Bounding Rectangle)或者R-tree粗略估计。

Step2

更加细节的处理算法,用于精细处理

只处理那些通过粗略计算的数据(不小于最小支持度),从而节约时间与空间。

共置模式(Colocation pattern)

图5

现有如图所示地拓扑结构,用数字表示每一个样本点,其符号是表示样本点的种类。

共置模式指的是一组空间事件或者物体经常发生在相同的区域,在拓扑图中这样的事件用线连在一起。

其中{3,6,17},{4,7,10,16},{2,8,11,14,15},9}就是一个Colocation pattern。

rowset集合

而rowset(SET)则表示SET集合中每一个元素都出现在的Colocation pattern。

rowset({A,B,C,D})={{4,7,10,16},{2,11,14,15},{8,11,14,15}}

rowset({A,B})={{5,13},{7,10},{2,14},{8,14}}

条件概率

Condition Probability

定义如下

图2

计算条件概率必须按照定义来。

图3

不是恒等于的。

例如,求 cp(AB)

其中 Rowset(A)={1,5,6,7,14} Rowset({A,B}) 如上文的例子。

Rowset({A,B}) 中包含14的有两个元素,但是根据定义也只能计算一次。

所以 cp(AB)=35

Participation Ratio

定义如下

图4

Participation ratio pr(C,f) : probability that C is observed in a neighbor-set wherever feature f is observed。

表示在 f 发生的情况下,有多少情况是在 C 情况下发现的。(注意,我这不是原原本本地翻译,但是应该是等价的翻译。)

例如,

pr({A,B,C,D},A)=25

我们可以看到总共有 5 A ,但是只有 2 A 发生在 {A,B,C,D} 的情况下。

pr({A,B,C,D},D)=2÷2=1

类Apriori算法

算法思想和Apriori算法是一致的。

产生候选集的理论依据是Participation Ratio的单调性:

现有两个Co-location pattern: C C ,且 CC ,那么对于任意 f ,我们都可以得到 pr(C,f)pr(C,f)

轨道模式挖掘(Mining and Aggregating Patterns over Multiple Trajectories)

轨迹的挖掘任务

轨迹聚类:基于空间/时空的几何估计进行分组

轨迹联合:给定两个轨迹数据库,检索所有的相似对

图6

这里写图片描述

通过挖掘能够处理多种问题,包括,路线规划、城市规划、识别物体、模式分类。

基本定义

基本运动模式

描述移动事件,不考虑绝对位置

  • Constance:连续时间序列的相等运动属性,即保持运动方向不变
  • Concurrence:有相等运动属性的多个对象,在某个时刻运动方向相同的多个物体
  • Trendsetter:—组的共享目标的运动图形(constance + concurrence)

图8

上图中箭头表示运动方向,横坐标表示时间,纵坐标表示物体。

空间运动模式

基本运动模式+空间约束

  • Track:单个对象,保持相同运动(constance + 空间约束)
  • Flock:一组对象,同时保持相同运动(concurrence + 空间约束)
  • Leadership:—个领导,踉着一组具有相同的运动物体(trendsetter + 空间约束)

图9

  • Flock(m,k,r):在半径r内,m个对象,k个连续点
  • Meet(m,k):至少m个对象,在半径r内,至少K个连续点

图10

聚合/分离运动模式

描述聚合和分离对象的运动

  • Encounter(m,r) : 至少m个对象同时到达半径为r的范围内
  • Convergence (m,r) : 至少m个对象经过达半径为r的范围内(不需要同时)
  • Divergence : 与Convergence相反
  • Breakup : 与Encounter相反

图11

基于密度的轨迹模式

  • TRACLUS
    • 密度相连轨迹段的聚类
    • 不考虑时间

图12

  • Moving Cluster

    • 在一个时间段内,一组对象相互靠近
  • Convoy

    • 基于密度链接的 “Flock (m,r).”

图14

  • Swarm
    • Time-relaxed convoy. 对象在时间上的倒数

图15

挖掘语义丰富的运动模式(Mining Semantics-Rich Movement Patterns)

  • 频繁移动模式:频繁出现在输入轨迹数据库中的移动序列
  • 频繁移动模式与频繁连续模式:
    • 两者都旨在从输入序列数据库找到频繁的子序列
    • 对于挖掘频繁运动模式,类似地方(例如下图右图以功能分类)可能需要分组以共同形成频繁子序列

图16

  • 语义丰富的运动模式:
    • 除了知道人们如何移动,从一个地区到另一个地区,我们也想了解地区的功能
    • 例如,office和home可能是在相同的地方,有着相同的功能;也可能在不同的地方,有着不同的功能。如上图左图所示。

Step1

找到一组反映人们粗糙的语义级转换的模式。例如,办公室→餐馆,家庭→健身房。

粗糙的语义在之前讲的progressive refinement中说过,是一些粗糙的语义定义,比如,办公室、办公场所,甚至是一些更加具体的名词,如政府办等。

Step2

通过分组,将每个粗糙分类的相似图案分成几个细粒度图案运动片段。

论文:C. Zhang et al.,Splitter: Mining Fine-Grained Sequential Patterns in Semantic Trajectories,VLDB 2014

总结

以上是编程之家为你收集整理的数据挖掘中的模式发现(八)轨迹模式挖掘、空间模式挖掘全部内容,希望文章能够帮你解决数据挖掘中的模式发现(八)轨迹模式挖掘、空间模式挖掘所遇到的程序开发问题。

如果觉得编程之家网站内容还不错,欢迎将编程之家网站推荐给程序员好友。

本图文内容来源于网友网络收集整理提供,作为学习参考使用,版权属于原作者。
如您喜欢交流学习经验,点击链接加入编程之家官方QQ群:1065694478
编程之家官方公众号

微信公众号搜索 “ 程序精选 ” ,选择关注!

微信公众号搜索 “ 程序精选 ”
精选程序员所需精品干货内容!