Chap4-3 轨迹模式挖掘.pptx

4.3 轨迹模式挖掘Trajectory Pattern Mining目录1. 概述2. 运动模式3. 基于密度的轨迹模式4. 轨迹模式的应用5. 视频数据挖掘1. 概述真实位置感知：淹没在数据中，却缺乏知识 轨迹模式挖掘是数据挖掘中新兴、快速发展的主题 关注轨迹相似形的分组 应用交通优化预测 动物运动分析，社会分析团队运动赛事分析交通分析模式发现过程轨迹模式分类轨迹的挖掘任务轨迹聚类：基于空间/时空的几何估计进行分组轨迹联合：给定两个轨迹数据库，检索所有的相似对 空间和时空模式轨迹模式分类轨迹模式的颗粒度全局模式（基本单元是整体轨迹） vs. 部分模式（关注部分轨迹）独立模式（独立对象） vs. 群组模式（不同对象的共同模式）轨迹模式的约束空间约束: 在空间网络上运动时间约束: 周期性2. 运动模式关键特征：识别移动对象轨迹的相似运动 相对运动：分析轨迹到运动属性 (速度, 运动方位角).模式类型基本运动: constance, concurrence, trendsetter.空间运动: track, flock, leadership.聚合/分离运动: convergence, encounter, divergence, breakup.基本运动模式constanceconcurrencetrendsetter 描述移动事件，不考虑绝对位置 定义Constance：连续时间序列的相等运动属性.Concurrence：有相等运动属性的多一个对象 Trendsetter：一组的共享目标的运动图形. E.g., “constance” + “concurrence.”空间运动模式基本运动模式+空间约束 定义Track：单个对象，保持相同运动，constance+ 空间约束Flock：一组对象，同时保持相同运动，concurrence +空间约束 Leadership ：一个领导，跟着一组具有相同的运动物体， trendsetter +空间约束 Flock vs MeetFlock (m,k,r): 在半径r内， m个对象，k个连续点Meet (m,k,r): 至少m个对象，在半径r内，至少k个连续点聚合/分离运动模式描述聚合和分离对象的运动定义Convergence：一组对象共享运动方位角，在一定区域相交Encounter：到达给定空间范围的一组对象Divergence ：与Convergence相反Breakup：与Encounter相反Encounter vs ConvergenceEncounter (m,r) : 至少m个对象同时到达半径为r的范围内 Convergence (m,r):至少m个对象经过达半径为r的范围内 (不需要同时).3. 基于密度的轨迹模式使用密度概念，允许任意的形状和范围的通用轨迹模式模式类型TRACLUS: 轨迹聚类Moving cluster:空间簇的序列 Convoy: density-based flock.Swarm: time-relaxed convoy.epqp’pqqpo密度的概念Given e and mDirectly Density-Reachable Density-ReachableDensity-Connected m = 3[KDD’96]TRACLUS 概念密度相连轨迹段的聚类不考虑时间过程把轨迹分为子轨迹在每个子轨迹进行DBSCAN聚类实现聚类 Moving Cluster概念：在一个时间段内，一组对象相互靠近 Convoy概念： 基于密度链接的 “Flock (m,k,r).”Swarm概念：Time-relaxed convoy. 对象在时间上的倒数4. 轨迹模式的应用反映出租车轨迹数据分布的热度图轨迹模式的应用将城市划分出若干区域，分析出租车行驶状况，了解交通拥堵的潜在问题发现智能驾驶方向Finding Smart Driving Directions用于城市规划Urban Computing for Urban Planning异常事件检测Anomalous Events Detection人脸识别行为识别异常报警全自动智能监控运动检测行为检测入侵报警传感器网络数字采集数字存储数字传输采集:模拟信号存储:数字信号全部采用模拟技术5. 视频数据挖掘视频处理技术计算机视觉、图像分析等智能视频技术智能视觉监控数字视频压缩网络视频监控数字视频监控模拟视频模拟视频监控时间2000年2010年1990年2005年智能识别系统是监控系统发展的必然趋势智能监控视频分析系统的处理流程高层技术人体异常行为检测异常事件检测运动目标检测运动目标跟踪目标分类基础技术 用于视频侦查的人体行为识别获得录像中的关键信息，便于刑侦员聚焦、观察、分析嫌疑对象多摄像头下行为分析翻墙