移动对象序列模式挖掘方法探究.pdfVIP

重庆邮电大学硕士论文 摘要 摘要 数据挖掘技术能发现数据之间的潜在关系，从而提供决策支持，因此是数据 库研究中极具应用前景的领域。关联规则是数据挖掘的重要工具之一，序列模式 挖掘是对关联规则的进一步推广。在传统领域中，研究者对序列模式挖掘做了大 量的研究，迄今为止已提出了许多高效的序列模式挖掘算法。 而伴随着网络技术的迅速发展，人们通过无线通信、位置感知及移动计算等 技术接入信息网获取所需信息，因此，能够收集大量的移动对象的位置数据。如 果对这些位置数据进行挖掘，就可以有效地发现移动对象移动的规律性。这些规 律在智能交通管理和基于位置的服务等领域中都有广泛的应用。 但是，在移动计算环境中移动对象序列模式的挖掘与传统的序列模式挖掘不 同，需要考虑序列项之间的空间约束关系，且移动序列与传统序列中的项具有的 PVS算法中都加入了空间结构判断，分别称为Revised PVS PrefixSpan和Revised 算法。 首先，本文提出的SMPM算法针对Revised PrefixSpan算法在挖掘数据集时需 要产生大量重复投影和RevisedPVS算法产生物理投影的不足进行改进。在SMPM 算法中采用了前缀树压缩存储序列模式，挖掘过程中利用前缀树中每个节点记录 的支持度和后缀位置的信息来判断前缀是否有相同的投影数据库，如果有则直接 将其指针指向前缀树中的同一个节点，从而避免了原始算法中产生重复投影和产 生物理投影的问题。此算法运行的时间效率与避免重复挖掘的次数有关，因此更 适合挖掘相似度较高的序列。其次，本文又提出了SSMP算法，其针对Revised 判断的不足进行改进。SSMP算法将原始移动序列根据网络结构对不相邻的项进行 划分，从而避免了挖掘时进行的多次网络结构判断。最后，本文通过对比道路网 动对象序列模式挖掘模型。 本文采用斯坦福大学开发的无线网络仿真程序产生的测试数据，对SMPM和 SSMP算法的正确性和一些影响因素进行测试，并分别与Revised PrefixSpan算法 和Revised 效率有较大的提高，能够更好地满足具有空间约束的数据挖掘的要求。 关键词：移动对象，数据挖掘，序列模式挖掘，PrefixSpan算法，投影数据库 重庆邮电大学硕士论文 Abstract Data isa fieldindatabase itcarl miningtechniquepromising research，because decision the inthedata． provide supportthroughdiscoveringpotentialrelationship isthefurther of rule all Sequentialpattern associationwhichis mining promotion toolindata to have efficient important now,researchers mining．Up proposedmany outa in sequential