轨迹挖掘——轨迹模式挖掘

从一条轨迹或者从一组轨迹中挖掘出行模式可以分为四类：

1）共同移动模式

2）轨迹聚类

3）时序模式

4）周期性的模式

1）共同移动模式

flock（群）：在一个小的固定形状的区域内，多个目标连续k个时间戳同时移动。由于事先定义的形状不太能确定，因此会出现损群问题。

convoy（护卫，车队）任意形状，通过密度来确定一个区域

swarm（大群）：上面两个都必须要求是连续的，这个算法是要求不是连续的。，

traveling companion（出行合成）：实时地探测上述模式的算法

为了识别事件：庆祝与集会等。

需要考虑两个因素：几何位置相对稳定；一个事件有很多聚集点组成，每个聚集点要至少有多个参与者。每个参与者要属于至少两个聚集点

2）轨迹聚类

1 比较两条轨迹直接的相似度，但是特征向量比较难刻画

2基于路网的轨迹聚类：把轨迹转化为路网，然后对路网进行聚类

3不基于路网的轨迹聚类：

    3.1对整个轨迹进行聚类

    3.2 对轨迹段进行聚类

    3.3 用时较少的自增长的轨迹段聚类方法。

3）从轨迹中挖掘时序模式

L1+L2+L4 是时序模式

第一种方法是基于线性简化方法：

将一段轨迹简化，然后比较相似度

第二种是基于聚类的方法：

基于密度聚类，将点聚集在一起，然后轨迹可以用聚类点表示

第三种是基于后缀树的方法（在路网中）：如上图B所示

4）从轨迹数据中挖掘周期性模式

最大周期模式

频繁项集

傅里叶变换