[发明专利]基于出租车时空轨迹的群体运动移动簇模式排序方法

说明书

本发明公开一种基于出租车时空轨迹的群体运动移动簇模式排序方法，包括以下步骤：构建移动簇‑兴趣点二部图和基于重启式随机游走模型进行排序。本发明移动簇基于重启式随机游走模型对移动簇进行重要性排序问题可以转换为“移动簇‑兴趣点”图中顶点的重要性计算问题，每个顶点的概率值代表该顶点的重要性，概率值越大说明该顶点越重要，利用该模型对移动簇进行重要性排序易于实现，不需要用户设置过多的参数便可以自动完成排序过程。

技术领域

本发明涉及时空数据的轨迹模式挖掘领域，具体涉及一种基于出租车时空轨迹的群体运动移动簇模式排序方法。

背景技术

随着移动对象轨迹数据量的快速增长，轨迹数据的分析挖掘需求明显增强。通过挖掘轨迹数据，可以发现大量时空轨迹模式。作为时空轨迹模式的重要组成部分，群体运动移动簇模式能够发现轨迹大数据中有价值的信息，从而用于分析移动对象群体的运动趋势和运动规律。对于群体运动移动簇模式而言，如何从大量挖掘结果中找出有价值的、重要的结果，涉及到模式的排序问题。由于群体运动移动簇模式多种多样，问题的定义各不相同,导致挖掘出的模式的表现形式也各不相同，然而它们都面临一个共同的问题，即从大量挖掘结果中找出用户感兴趣的少数部分。

目前，群体运动移动簇模式主要包括成群模式(Flock)、护航模式(Convoy)、蜂群模式(Swarm)、汇聚模式(Convergence)、聚合模式(Gathering)等，它们大多借助经验人为地挑选出少数重要结果。这种方法虽然可行，但是人为地从大量结果中找出用户感兴趣的少数结果并非易事。

为此需要找到一个统一的排序方法，帮助用户从众多挖掘结果中挑选出用户关心的少数结果。现有的研究工作中，关于时空轨迹模式挖掘结果的排序问题并不多。2011年，Zhijun Yin等人提出轨迹模式排序方法，但是该方法只针对频繁模式的挖掘结果进行排序，并不适用于群体运动移动簇模式。

目前，仍然没有针对群体运动移动簇模式挖掘结果进行排序的研究工作。究其原因，是由于群体运动移动簇模式挖掘结果所包含的属性各不相同，导致很难找到一种传统的排序方法来适用于所有群体运动移动簇模式的排序问题。

对于群体运动移动簇模式排序问题而言，最简单的方法就是按照移动簇的持续时间或对象规模来进行排序。这种方法虽然简单，但存在很大缺陷。例如交管部门通常对一些热门区域(商业圈、车站、机场等)发生的事件更感兴趣，然而这些区域的移动簇并不一定具有较长的持续时间或者较大的对象规模，如果使用上述方法对这样的移动簇进行排序，则它们并不一定能被排在前面。因此，需要找到一个更有效的排序方法,帮助用户找出与重要地理位置相关的移动簇。

发明内容

发明目的：本发明的目的在于解决现有技术中存在的不足，提供一种基于出租车时空轨迹的群体运动移动簇模式排序方法，解决对轨迹模式挖掘出的大量移动簇进行重要性排序的问题。

技术方案：本发明一种基于出租车时空轨迹的群体运动移动簇模式排序方法，包括以下步骤：

(1)构建出租车移动簇-兴趣点二部图，具体包括以下方法

(1.1)获取出租车移动簇的集合MC，MC＝{mc₁，…，mc_n}；

(1.2)获取挖掘移动簇所使用的数据集的兴趣点集合POI，POI＝{poi₁，…，poi_l}；

(1.3)构建出租车移动簇和兴趣点关系的二部图；

(1.4)二部图构建成功，采用邻接矩阵M_MC·POI的形式来存储出租车移动簇和兴趣点的关系；

(2)基于重启式随机游走模型对出租车移动簇进行重要性排序，具体方法如下：