导读:本文包含了频繁轨迹论文开题报告文献综述及选题提纲参考文献，主要关键词:语义轨迹,频繁模式,数据挖掘,拼车
频繁轨迹论文文献综述
刘春,周燕,李鑫[1]（2019）在《挖掘语义轨迹频繁模式及拼车应用研究》一文中研究指出现有各种轨迹分析主要利用聚类方法从多用户轨迹中挖掘公共停留点、计算用户相似度以发现热点、提取近似人群的公共属性,对同一用户计算相似度也无商业价值,因此很少对单用户轨迹分析展开研究。提出了基于地点语义的个体用户轨迹频繁模式挖掘方法。先逆地理编码求得语义轨迹并进行预处理从而求取Top-k候选频繁地点项集,进而采用时空序列求交集和分治归并方法,将长项集的频繁迭代计算转化为分层集合正则运算,从而求出频繁序列超集和子集。这种语义轨迹频繁模式挖掘能主动识别和发掘潜在的拼车需求,为共享拼车、HOV车道出行等基于位置的智能推荐提供更高的精准度。仿真拼车实验结果证明了该方法的适用性和高效性。(本文来源于《计算机工程与应用》期刊2019年15期）
鄢团军,吕军,齐国强[2]（2018）在《基于RFID的电动车运行轨迹频繁模式挖掘算法研究》一文中研究指出利用无线射频识别技术实现电动车防盗,已经在很多城市得到良好的运用,挖掘电动车的过车数据,从中发现用户行为规律,挖掘有价值的潜在信息,具有非常重要的意义。本文研究了基于RFID的电动车运行数据的挖掘和分析算法,给出了频繁轨迹模式的定义,提出利用带权无环图计算频繁轨迹的方法。经实际验证,该挖掘算法的结果符合现实状况。(本文来源于《智能物联技术》期刊2018年03期）
潘晓英,赵倩,赵普[3]（2019）在《时空属性关系标签的频繁轨迹模式挖掘》一文中研究指出校园卡技术的广泛应用是高校信息化程度的重要标志,其中学生消费数据隐含了强大的潜在价值,对其进行挖掘具备重大的实用意义。由此,提出一种将校园消费流水数据转换为带有时空属性的消费轨迹树DP-DBSCAN算法和带有关系标签的频繁轨迹挖掘模式FP-TRtree。DP-DBSCAN算法采用时间分块、顺序查询和距离度量,能高效地将数据转换为FP-TRtree带有顺序的频繁一项集,同时无需考虑参数问题,也避免了查询每个数据点最近邻对象的巨大耗时。FP-TRtree模式按顺序添加关系值,支持度降序排序,并对相同轨迹节点间的关系标签不断迭代优化。可视化分析结果表明,该数据转换算法和挖掘模式不但可以发现频繁消费的学生关系轨迹网及孤立人群,而且能定量描述节点间学生的消费亲密程度,同时也减少了数据库扫描次数以及树分支的建立。实验结果不仅符合学生实际消费情况,还能从复杂的消费网络中发现隐含的信息,为院校管理、领导决策提供可参照的依据。(本文来源于《计算机工程与应用》期刊2019年10期）
李勇男[4]（2018）在《时空轨迹频繁模式在反恐情报分析中的应用研究》一文中研究指出[目的/意义]对海量涉恐数据进行时空轨迹频繁模式挖掘对理解涉恐活动的运动模式、推断恐怖分子的高频率活动轨迹具有重要意义。[方法/过程]首先利用已破获暴恐案件中恐怖分子的活动轨迹生成样本数据集,然后利用先验原理的衍生方法,从单位轨迹开始不断迭代生成满足最小支持度阈值的时空轨迹集,并导出符合长度阈值条件的频繁模式。[结果/结论]结合时间序列模式挖掘、空间模式挖掘等数据挖掘方法,可以对暴恐活动概率进行量化计算,对恐怖分子动向进行精准预测,提高打击恐怖活动的效率。(本文来源于《情报杂志》期刊2018年08期）
马佳丽[5]（2018）在《基于时空数据的频繁轨迹挖掘算法研究》一文中研究指出随着定位技术及通信技术的发展,各类应用设备能够采集到大量移动对象的轨迹数据,从轨迹数据中挖掘移动对象活动规律及模式已经引起越来越多的关注。针对单一时间粒度下时空频繁轨迹中蕴含群体活动规律语义信息挖掘不充分的问题,本文提出一种多维时间粒度下时空频繁轨迹模式挖掘的方法。本文主要研究内容如下:1.识别多维时间粒度下时空停留区域是实现多维时间粒度下时空频繁区域及频繁轨迹模式挖掘的前提。因此,本文提出一种多维时间粒度下时空停留区域挖掘方法MTG_SR。首先,划分时间粒度层次;其次,进行数据预处理,去除不相关及冗余的轨迹数据;最后,采用滑动时间窗与自适应停留区域识别方法相结合的策略挖掘多维时间粒度下的时空停留区域。2.针对基于网格方法识别时空频繁区域产生硬边界的问题,结合滑动时间窗策略挖掘频繁区域时难以识别包含频繁区域较多的时间区间问题,以及单一时间粒度下时空频繁区域中蕴含移动对象活动规律语义信息挖掘不充分的问题,本文提出一种多维时间粒度下时空频繁区域挖掘方法MTG_FR。首先,为避免采用基于网格方法识别时空频繁区域产生硬边界的问题,提出基于集合论思想识别多维时间粒度下时空频繁区域的方法;其次,提出基于高斯混合模型的自适应时间区间选择方法,确定包含频繁区域较多的时间区间,解决采用滑动时间窗策略由于滑动起点及窗口大小设置不合适导致真正包含频繁区域数目较多的时间区间被分割的问题;最后,对多维时间粒度下自适应时间内的频繁区域进行可视化分析,挖掘出移动对象活动规律。实验表明,相比单一时间粒度下时空频繁区域挖掘,本方法能够自适应更加充分地挖掘出随时间变化移动对象活动规律的变化情况。3.针对单一时间粒度下难以充分挖掘出时空频繁轨迹中蕴含群体移动模式语义信息的问题,本文提出一种多维时间粒度下时空频繁轨迹模式挖掘方法MTG_FTP。首先,基于经典的序列模式挖掘方法GSP和Prefix Span,本文提出多维时间粒度下频繁轨迹模式挖掘方法MTG_GSP和MTG_Prefix Span,识别多维时间粒度下频繁轨迹模式;其次,采用本文所提自适应时间区间确定方法,基于高斯混合模型的置信区间选取包含频繁轨迹模式较多的时间区间;最后,将识别出的频繁轨迹模式可视化分析,挖掘出蕴含的群体移动模式语义信息。实验表明,相比单一时间粒度下频繁轨迹模式挖掘,本方法能够自适应更加全面地挖掘出随时间变化群体移动模式的变化情况。(本文来源于《西北大学》期刊2018-06-01）
吴瑕,唐祖锴,祝园园,彭煜玮,彭智勇[6]（2018）在《近似到达时间约束下的语义轨迹频繁模式挖掘》一文中研究指出随着GPS定位技术的不断发展与智能移动设备的普及,轨迹数据的获取变得越来越容易,同时,轨迹数据相关应用的需求也逐渐增多.在轨迹数据上加入语义信息,可以得到体积较小、质量较高、能够更好地反映用户行为的语义轨迹,在其上实现旅游线路推荐、路线预测、用户生活模式挖掘、朋友推荐等应用,可以更好地满足用户需求.挖掘语义轨迹的频繁模式是实现这些应用的技术基础,而在很多情况下,用户对语义轨迹频繁模式常存在到达时间方面的需求,比如按特定时间游玩热门景点的同时需要按时到达车站候车.现有的语义轨迹模式挖掘方法大多没有考虑到达时间的约束,挖掘出的频繁模式缺少到达时间信息;少数方法考虑了精确的到达时间,但因为约束太强会导致无法挖掘到频繁的模式.因此,首次对近似到达时间约束下的语义轨迹频繁模式(approximatearrival-time constrained frequent pattern,简称AAFP)挖掘方法进行了研究,并给出了其形式化定义;通过时间轴划分提出了挖掘AAFP的基线算法,并通过建立索引AAP-tree提出了改进后的高效、灵活的AAFP挖掘算法;之后提出了信息熵增量公式,并给出了时间轴划分及AAP-tree的高效维护方法;最后在真实数据集上进行实验,验证了方法的有效性及高效性.(本文来源于《软件学报》期刊2018年10期）
李洪成,吴晓平,俞艺涵[7]（2018）在《基于多维频繁序列挖掘的攻击轨迹识别方法》一文中研究指出针对传统攻击轨迹识别方法处理时序数据效率较低且无法全面反映告警各维属性变化规律的不足,首先基于前缀-投影思想,设计了不产生候选集的频繁告警属性序列挖掘算法;然后,利用时间窗分割全局攻击类型序列和全局攻击目标序列,挖掘出网络中频繁攻击行为序列和频繁攻击目标序列,并利用目的IP分割全局攻击类型序列,挖掘出针对单个主机的组合攻击模式,进而全面识别网络和主机上的攻击轨迹;最后,在典型分布式拒绝服务攻击场景LLDoS1.0inside的流量数据集中验证了以上方法的有效性。(本文来源于《海军工程大学学报》期刊2018年01期）
吴玉珍,李小龙,刘波,谭永滨[8]（2017）在《时空轨迹频繁模式挖掘研究进展》一文中研究指出时空轨迹频繁模式挖掘旨在从大规模轨迹数据中发现频繁时序模式,其过程主要包括数据处理和频繁行为发现2个阶段。综述了近年时空轨迹频繁模式挖掘的研究进展,首先对挖掘的过程进行概述;然后将挖掘算法按照轨迹维度特征分为基于位置的轨迹频繁模式挖掘、基于活动周期的轨迹频繁模式挖掘和基于语义的轨迹频繁模式挖掘3类,并分别展开论述;最后讨论了这些算法的基本思想和优缺点,并从挖掘方式、适用范围等方面进行对比分析。(本文来源于《江西科学》期刊2017年06期）
张晓滨,张海基[9]（2018）在《基于环境标记约束的不确定轨迹频繁路径挖掘》一文中研究指出针对环境约束的不确定轨迹数据的频繁路径问题,设计了一种适应于严格时间约束条件下基于环境约束的位置不确定的移动概率序列挖掘算法(UETFP-Prefix Span)。算法通过设置类标号把不同环境下的不确定轨迹数据区分开,利用概率支持度对频繁项集进行了重新定义,通过减少某些特定序列模式生成过程的扫描,来减少投影数据库的规模及扫描投影数据库的时间,提高算法效率。测试实验结果表明,改进后的UETFP-Prefix Span算法挖掘结果更符合现实情况,算法执行效率更高。(本文来源于《计算机应用研究》期刊2018年09期）
王亮,汪梅,郭鑫颖,秦学斌[10]（2016）在《面向移动时空轨迹数据的频繁闭合模式挖掘》一文中研究指出移动泛在感知设备的广泛普及为移动轨迹数据的大规模采集、存储与分析开拓了广阔的空间。通过对用户的移动轨迹数据进行分析挖掘,发现其中所蕴含的有价值的行为模式与特征,对于基于位置的服务(Location-based Service,LBS),城市交通管理,精准广告营销等领域均具有重要的价值。文中针对移动轨迹频繁模式规模过大、信息冗余问题定义了频繁闭合移动轨迹模式,以经典闭合序列模式挖掘算法为基础提出了适应于移动轨迹数据的频繁闭合模式Close Traj算法,分别通过对仿真数据与真实数据的实验测试,结果显示文中所提出的Close Traj算法对于频繁闭合移动轨迹模式挖掘问题具有较强的适用性,同时在运行效率方面具有显着优势。(本文来源于《西安科技大学学报》期刊2016年04期）
频繁轨迹论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
利用无线射频识别技术实现电动车防盗,已经在很多城市得到良好的运用,挖掘电动车的过车数据,从中发现用户行为规律,挖掘有价值的潜在信息,具有非常重要的意义。本文研究了基于RFID的电动车运行数据的挖掘和分析算法,给出了频繁轨迹模式的定义,提出利用带权无环图计算频繁轨迹的方法。经实际验证,该挖掘算法的结果符合现实状况。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
频繁轨迹论文参考文献
[1].刘春,周燕,李鑫.挖掘语义轨迹频繁模式及拼车应用研究[J].计算机工程与应用.2019
[2].鄢团军,吕军,齐国强.基于RFID的电动车运行轨迹频繁模式挖掘算法研究[J].智能物联技术.2018
[3].潘晓英,赵倩,赵普.时空属性关系标签的频繁轨迹模式挖掘[J].计算机工程与应用.2019
[4].李勇男.时空轨迹频繁模式在反恐情报分析中的应用研究[J].情报杂志.2018
[5].马佳丽.基于时空数据的频繁轨迹挖掘算法研究[D].西北大学.2018
[6].吴瑕,唐祖锴,祝园园,彭煜玮,彭智勇.近似到达时间约束下的语义轨迹频繁模式挖掘[J].软件学报.2018
[7].李洪成,吴晓平,俞艺涵.基于多维频繁序列挖掘的攻击轨迹识别方法[J].海军工程大学学报.2018
[8].吴玉珍,李小龙,刘波,谭永滨.时空轨迹频繁模式挖掘研究进展[J].江西科学.2017
[9].张晓滨,张海基.基于环境标记约束的不确定轨迹频繁路径挖掘[J].计算机应用研究.2018
[10].王亮,汪梅,郭鑫颖,秦学斌.面向移动时空轨迹数据的频繁闭合模式挖掘[J].西安科技大学学报.2016