RFID路徑數(shù)據(jù)聚類分析與頻繁模式挖掘.pdf

1、RFID(RadioFrequencyIdentification)無(wú)線射頻識(shí)別，是一種非接觸自動(dòng)識(shí)別和數(shù)據(jù)獲取技術(shù)，目前，已經(jīng)廣泛應(yīng)用于智能超市、供應(yīng)鏈、圖書管理、車輛管理等領(lǐng)域。RFID應(yīng)用系統(tǒng)中會(huì)產(chǎn)生海量數(shù)據(jù)，而RFID路徑數(shù)據(jù)是指貼有RFID標(biāo)簽的物體在移動(dòng)的過程中產(chǎn)生的數(shù)據(jù)，從這些海量路徑數(shù)據(jù)中挖掘出有價(jià)值的信息，對(duì)用戶了解物品的移動(dòng)規(guī)律和趨勢(shì)，輔助相關(guān)業(yè)務(wù)安排與調(diào)整，發(fā)現(xiàn)異常移動(dòng)等應(yīng)用方面顯得非常重要。在現(xiàn)有研究RFID數(shù)據(jù)

2、挖掘方法的基礎(chǔ)上，本文主要對(duì)RIFD路徑相似性度量、RFID路徑數(shù)據(jù)聚類、RFID頻繁路徑挖掘等方面做了深入的研究。
　　針對(duì)RFID智能超市中的路徑數(shù)據(jù)進(jìn)行研究，實(shí)現(xiàn)了智能超市中RFID路徑數(shù)據(jù)的獲取，以路徑的EPC作為鍵值按照時(shí)間相關(guān)性來(lái)整合路徑信息，將整理后的路徑數(shù)據(jù)分別從地點(diǎn)和時(shí)間維度上進(jìn)行壓縮，從而節(jié)省了存儲(chǔ)空間。
　　在RFID路徑聚類方面，路徑相似性計(jì)算是聚類算法的基礎(chǔ)，本文利用位圖技術(shù)，分別從RFID路徑的地

3、點(diǎn)和時(shí)間屬性兩方面計(jì)算其路徑相似度。根據(jù)RFID路徑數(shù)據(jù)具有數(shù)據(jù)流的特性，提出基于多粒度的時(shí)間滑窗聚類算法MTSWClustering(Multi-granularit-yTimeSlidingWindowClustering)。此算法采用時(shí)間滑動(dòng)窗口模型，按照時(shí)間粒度的不同將算法分為在線層和離線層。在線層算法按照RFID路徑事件類型進(jìn)行微聚類，離線層對(duì)在線層的聚類結(jié)果按照其相似度進(jìn)行宏聚類。
　　在RFID頻繁路徑挖掘方面，提出

4、一種RFID路徑數(shù)據(jù)流滑動(dòng)窗口的top-k閉路徑挖掘算法TCFP-TreeMining(Top-kClosedFrequentPathMining)算法，設(shè)計(jì)了TCFP-Tree來(lái)存儲(chǔ)滑動(dòng)窗口中的概要數(shù)據(jù)及發(fā)現(xiàn)的候選閉路徑。算法采用深度優(yōu)先搜索的方式進(jìn)行閉路徑模式挖掘，在挖掘的過程中，采用項(xiàng)集合并和前綴模式跳過等技術(shù)來(lái)提高挖掘效率，動(dòng)態(tài)的調(diào)整挖掘閾值和剪枝閾值，結(jié)合哈希結(jié)構(gòu)進(jìn)行閉合路徑的判別，有效地實(shí)現(xiàn)了滑動(dòng)窗口top-k閉路徑挖掘。<