移动对象行为活动发现和预测方法研究.pptVIP

报告内容 选题背景与意义 国内外研究现状 研究内容 技术路线 进度安排 选题背景与意义 具有GPS功能的移动设备越来越普及, 可以很方便的获取位置信息 搜集的移动轨迹数据爆炸式增长 数据中包含潜在的有用知识 国内外研究现状 --轨迹相关定义 提取兴趣区域的方法 intersection-based SMoT 《A model for enriching trajectories with semantic geographical information》 clustering-based CB-SMoT 基于速度的聚类 《A Clustering-based Approach for Discovering Interesting Places in Trajectories》 PopularRegions 基于网格的聚类 《Regions of Interest in Trajectory Data Warehouse》 DB-SMoT 基于转角的轨迹聚类 《DB-SMoT: A Direction-Based Spatio-Temporal Clustering Method》 …… 移动对象活动预测 --重复线路提取 提取轨迹运动的周期模式 从轨迹数据库中提取关联轨迹 从轨迹集中发现频繁模式 移动对象活动预测 --线路兴趣度 研究内容 提出一种轨迹兴趣区域快速发现和移动对象行为活动预测的研究方法 研究轨迹兴趣区域快速发现方法 提出用“基于速度约束的R-Tree”（VR-Tree）存储已发现的移动对象兴趣区域及其速度信息，然后借助VR-Tree进行轨迹兴趣区域快速发现 基于兴趣区域和移动对象轨迹的特性，预测移动对象活动 根据已发现的兴趣区域筛选出移动对象的重复路径及兴趣度，对其重复路径进行建模，从而预测对象未来路线 研究路线 第一步，提出一种轨迹兴趣区域快速发现和移动对象行为活动预测的研究框架。 第二步，研究轨迹兴趣区域快速发现方法。将移动对象已发现的兴趣区域信息和速度信息存储在VR-Tree树形结构中，由于用户行为模式在一定程度上具有相似性，利用VR-Tree进行兴趣区域快速发现。 第三步，在上一步的基础上，研究移动对象行为活动的预测方法。 第四步，以公测数据集作为轨迹数据源，进行预测效果的验证。 实施计划及时间安排 * * 报告人：李雯 导 师：夏士雄 教授 China University of Mining and Technology School of Computer Since and Technology 移动对象行为活动 发现和预测方法研究 选题背景与意义 基于轨迹数据挖掘技术和理论，对移动对象历史行为进行发现，预测移动对象的活动信息 分析移动对象轨迹数据，挖掘经常活动区域，抽取移动对象行为模式 分析移动对象活动特点，预测移动对象潜在活动 采集轨迹数据以四元组(Oobj,t,x,y)形式存储，其中Oobj表示移动对象，t表示数据采集时间，(x,y)是在时刻t对象Oobj的坐标 轨迹通常被表示为一系列的空间-时间序列，将采集的轨迹数据中具有相同Oobj的数据按照采集时间顺序，得到移动对象Oobj在时间段[t0,tn]内的运动轨迹(x0, y0, t0), ..., (xn, yn, tn) 轨迹反映移动对象活动的路径，可以使用语义标注等方法给轨迹数据附加领域意义，把轨迹数据和领域信息联系起来，抽取高层次信息，例如：兴趣区域，频繁模式…… 国内外研究现状 -兴趣区域提取 Airport [08:00 – 08:30] Ibis Hotel [10:00-12:00]] Louvre Museum [13:00 – 17:00] Eiffel Tower [17:30 – 18:00] 1 2 3 Traffic Jam [09:00 – 09:15] Round About [08:40 – 08:45] Airport [08:00 – 08:30] Cross Road [12:15 – 12:22] 兴趣区域 轨迹中给予较多关注的重要区域 移动对象在该区域停留较长时间 兴趣区域和具体应用相关