[发明专利]基于时空网络的时空同现模式挖掘方法

说明书

本发明提供了一种基于时空网络的时空同现模式挖掘方法，包括：对时空数据集进行初始化建模，建立用以表示实例及元素之间时空关系的双层时空网络，并保存所述时空网络对应的邻接矩阵；其中，所述时空网络包括实例网络层及元素网络层，所述元素网络层用于生成候选集；从所述实例网络层中读取相应邻近关系序列，计算模式支持度及空间频繁度；从所述元素网络层读取模式的邻近关系，计算模式的时间频繁度；根据模式的各时间槽空间频繁度及时间频繁度计算模式的权重特征值；将所有同现模式按照权重特征值进行排序，根据输入的模式比例值，输出满足条件的模式集。本发明提高了时空同现模式的计算效率，解决了时空阈值难以设定的问题。

技术领域

本发明属于数据挖掘技术领域，具体涉及一种基于时空网络的时空同现模式挖掘方法。

背景技术

大多数数据库都不能有效地处理数据的时间维度，时空同现模式挖掘有利于提取隐含在时空数据集中的有价值信息，目前已经成为数据挖掘研究的前沿领域之一，如时空目标的轨迹聚类、时空对象的行为异常检测、以及轨迹预测等等。由于监控摄像、手机电脑、车载导航等技术的普及，可以很方便获取时空对象的轨迹数据。时空对象的轨迹数据，从时间片维度上看，是由很多采样点依照一定的时间间隔按照时间顺序排列的位置数据序列；从空间轨迹点的信息结构上看，是由空间对象标识、采样点的位置、采样点的时间等信息组成的多维数据，因此时空数据本身具有时间和空间层面两个属性，而且这两个属性相互依存。时空对象的轨迹数据作为时空对象的历史活动数据，在某些程度上能够表现时空对象的属性、状态、行为等内部与外部特征，通过分析时空数据可以获得很多有趣模式及有价值的信息，并可以由此推导出更有实际意义的新知识。

实际生活中挖掘时空同现模式是非常有意义的。如用户交易数据中蕴含了非常有价值的用户行为信息，从这些数据中找到蕴藏的知识金块，就可以帮助企业减少不必要投资，同时提高资金回报。挖掘行人的历史位置数据中的同现模式，发现人与人之间的关系，可以将这类关系用作基于位置的广告推荐等众多领域。发现士兵的训练成绩与其他环境因素等的时空同现模式，得到不同等级的成绩与不同因素的同现关系，就可以在训练中有针对性地组织训练，提高训练水平；研究作战策略及部署方式获得的同现模式，可以用于推理当前舰队火力，提高打击的精准度。时空同现模式在其他领域如交通管制、气象研究、国防军事、基于位置的服务等也都具有极高的应用价值。

时空数据的海量生成使得时空数据挖掘的相关技术得到迅猛发展，时空同现模式挖掘是当前时空数据领域的关键技术之一，旨在从包含多个时空对象类型的时空数据集中，发现频繁在邻近位置同现且频繁在连续时间槽内共现的类型集合，给出时空对象间比较典型的同现规律。在众多技术中，时空对象的同现模式发现技术是挖掘对象活动特征的关键技术之一，其主要是通过对时空对象轨迹数据进行特征分析，发现时空对象间比较典型的活动模式。同现模式的频繁特性可以用来检测时空对象在时空领域频繁发生的活动和频繁访问的路径，也可以在对象空间活动的基础上发现重复活动的时间特征，具体表现为周期性。

现有技术中，同现模式挖掘技术已在不同领域有了一定的应用范围，但在筛选空间同位模式及发现时空同现模式的过程中存在如下技术缺点：

(1)时空同现模式的计算效率仍比较低

大多数方法没有对数据集进行建模，直接用原始数据集进行候选模式的生成及时空兴趣度的计算，导致大量重复或无用的计算，影响了同现模式的挖掘效率。其次，基于连接操作生成多元候选模式，不仅占用较大内存空间，而且计算效率也比较低。

(2)时空距离及时空兴趣度的计算方式不太贴近实际

现有方法中采用欧氏距离表示时空对象间的距离，但实际的时空对象在移动过程中，从一个对象到另一个对象的行走路线大多不是直线；其次，目前多数方法在计算时空兴趣度时，忽略了元素类型的实际存在周期，计算方法不能很好地描述同现模式的共现规律。另外，现有技术多采用时空阈值驱动同现模式的挖掘过程，但时空阈值难以预先设定。

发明内容