時空軌跡數(shù)據(jù)的關聯(lián)挖掘技術研究.pdf

1、軌跡數(shù)據(jù)是一種常見的序列化上下文數(shù)據(jù)，其從空間和時間維度描述了用戶移動軌跡信息。而對軌跡數(shù)據(jù)全面的獲取、準確的挖掘與利用，是當前面向位置計算所需解決的主要問題。通過對軌跡數(shù)據(jù)的挖掘可以更深入理解用戶意圖，分析用戶特征與環(huán)境狀況，來預測行動，從而更好的為用戶提供面向位置的計算服務。
　　近年來，通過對軌跡數(shù)據(jù)的初步挖掘可知，人類行為活動在時間與空間上的變化具有很強的規(guī)律性，并具有內在聯(lián)系。通過分析用戶的歷史軌跡，挖掘用戶的活動規(guī)律，

2、基于此規(guī)律并結合當前上下文環(huán)境進行感知計算，可以顯著提高上下文感知的交互效率和智能化程度。然而，在當前信息數(shù)據(jù)劇增的時代，活動軌跡數(shù)據(jù)的分析和應用又面臨新的問題和挑戰(zhàn)：1）多樣性：在普適計算環(huán)境下，人類活動軌跡數(shù)據(jù)不僅只有位置軌跡數(shù)據(jù)，還包含社交活動記錄、生理活動記錄和消費活動記錄等，這些數(shù)據(jù)具有海量、非結構化、多源異構、稀疏、不完整、不確定等特性，現(xiàn)有數(shù)據(jù)挖掘算法無法很好適應這些特性。2）局限性：現(xiàn)有軌跡數(shù)據(jù)較為獨立，在軌跡采集時獨立

3、采用不同系統(tǒng)進行收集，單一的軌跡數(shù)據(jù)描述的語義信息簡單，不易獲取用戶偏好、社會關系等信息，需多種類型軌跡數(shù)據(jù)共同挖掘實現(xiàn)。3）群體性：由于人類活動的具有很強群體性傾向，多個用戶具有相似的活動規(guī)律，通過挖掘通用的群體性的行為特征，能彌補單一數(shù)據(jù)源數(shù)據(jù)缺失的問題，還能進行異常檢測。
　　針對上述新問題，基于軌跡數(shù)據(jù)的時空關聯(lián)計算技術是一種有效的解決方案，該方案從對多源的軌跡數(shù)據(jù)建立統(tǒng)一描述模型入手，提取用戶的屬性偏好與日常行為模式，為

4、挖掘用戶之間的關聯(lián)關系以及用戶與事件之間的關聯(lián)關系奠定基礎，從而解決軌跡數(shù)據(jù)類型的異構多樣以及數(shù)據(jù)缺失關聯(lián)描述的問題。基于軌跡數(shù)據(jù)的時空關聯(lián)計算技術的主要內容以及研究成果包括以下幾個方面：
　　首先，基于張量表示的多源軌跡描述模型研究。采用張量模型對多源異構的軌跡數(shù)據(jù)進行建模描述?；趶埩靠梢詫Υ髷?shù)據(jù)環(huán)境下高維度數(shù)據(jù)進行較好的描述，本方法相比其它方法可以同時處理更多類別數(shù)據(jù)特征。
　　其次，用戶日程例事的定義與挖掘算法研究。

5、針對用戶的軌跡行為模式挖掘問題，采用周期模式挖掘的算法，從周期性事件中識別提取用戶的日程例事。日程例事的挖掘實現(xiàn)了對用戶個人屬性偏好的更深入理解，可作為職業(yè)特征的識別依據(jù)，并能為用戶制訂未來日程規(guī)劃及異常事件檢測提醒。
　　再次，針對高維軌跡數(shù)據(jù)間相似關聯(lián)度計算的稀疏優(yōu)化研究。通過一個稀疏在線相似度學習框架，設計了四種有效進行相似度學習的算法，來解決海量高維軌跡數(shù)據(jù)相似度計算問題。高效合理的相似度衡量模型為軌跡數(shù)據(jù)的聚類、檢索和關

6、聯(lián)排序等應用提供了可靠的計算基礎。
　　最后，基于眾包協(xié)同的LBS（Location Based Service）云服務推薦算法研究。通過設計一種基于眾包協(xié)同的方法為移動用戶提供云服務推薦，來解決 LBS應用中移動云服務選擇困難的問題。通過對移動用戶在不同地點上下文環(huán)境下對云服務選擇記錄的分析，建立基于位置上下文索引的服務選擇記錄數(shù)據(jù)庫，當新用戶請求查詢當前可用云服務時，返回推薦結果。整個系統(tǒng)方案采用眾包模式對群體用戶歷史操作軌跡