基于中国观鸟数据的移动对象周期模式发现

doi:10.3969/j.issn.1000-3428.2017.04.001

计算机工程

基于中国观鸟数据的移动对象周期模式发现

陈东^1,2,邵增珍^1,2,魏争争^1,2,刘衍民³

(1.山东师范大学信息科学与工程学院,济南 250014; 2.山东省物流优化与预测工程技术研究中心,济南 250014;3.遵义师范学院数学与计算科学学院,贵州遵义 563002)

收稿日期:2016-05-17 出版日期:2017-04-15 发布日期:2017-04-14
作者简介:陈东(1990—),男,硕士,主研方向为数据挖掘;邵增珍,副教授、博士、博士后;魏争争,硕士;刘衍民,教授、博士。
基金项目:
中国博士后科学基金(2016M592697);山东省科技发展计划项目(2014GGH201022);山东省经信委软科学研究课题(2015 EI010)。

Periodic Pattern Discovery of Moving Objects Based on China Birding Data CHEN Dong1,2,SHAO Zengzhen1,2,WEI Zhengzheng1,2,LIU Yanmin3

CHEN Dong ^1,2,SHAO Zengzhen ^1,2,WEI Zhengzheng ^1,2,LIU Yanmin ³

(1.School of Information Science and Engineering,Shandong Normal University,Jinan 250014,China;2.Shandong Provincial Logistics Optimization and Predictive Engineering Technology Research Center,Jinan 250014,China; 3.School of Mathematics and Computing Science,Zunyi Normal College,Zunyi,Guizhou 563002,China)

Received:2016-05-17 Online:2017-04-15 Published:2017-04-14

摘要/Abstract

摘要： 移动对象的轨迹数据中包含大量时空信息,挖掘时空信息背后隐藏的周期模式对掌握移动对象变化规律具有重要作用。为此,提出一种三阶段移动对象周期模式检测算法,通过研究轨迹点的时空特征识别并剔除重复数据,利用密度聚类算法发现轨迹点密集区域并找出密集区域中每一类移动对象的周期模式,解决移动对象轨迹周期模式挖掘中轨迹数据重复、采样数据不连续及潜在周期模式发现问题。基于2003年—2015年中国观鸟记录中心、中国观鸟年报等公开数据的实验结果表明,该算法可有效处理轨迹数据并准确挖掘出规律性移动对象的周期模式。

关键词: 移动对象, 数据挖掘, 数据预处理, 周期模式, 中国观鸟数据

Abstract: The trajectory data of moving objects contains a large amount of spatio-temporal information,and mining the periodic pattern hidden behind the spatio-temporal information is of great significance.In this paper,an algorithm for detecting the periodic pattern of the moving objects based on three stages is proposed.Through the study of the temporal and spatial characteristics of the trajectory points,it identifies and eliminates duplicate data.Density clustering algorithm is used to find the dense region of the locus and the periodic pattern of each moving object in the dense region,which solves the problem of the repetition of the trajectory data,the incontinuity of sampling data and the finding of the periodic pattern period of the moving objects.Experimental results based on 2003—2015 China birding record center,China Birding Report(CBR) and other public data show that this algoithm can process the trajectory data effectively and dig out the periodic pattern of the moving objects with regularity accurately.

Key words: moving object, data mining, data preprocessing, periodic pattern, China birding data

中图分类号:

TP391

陈东,邵增珍,魏争争,刘衍民. 基于中国观鸟数据的移动对象周期模式发现[J]. 计算机工程, doi: 10.3969/j.issn.1000-3428.2017.04.001.

CHEN Dong,SHAO Zengzhen,WEI Zhengzheng,LIU Yanmin. Periodic Pattern Discovery of Moving Objects Based on China Birding Data CHEN Dong1,2,SHAO Zengzhen1,2,WEI Zhengzheng1,2,LIU Yanmin3 [J]. Computer Engineering, doi: 10.3969/j.issn.1000-3428.2017.04.001.

参考文献

参考文献［1］刘大有,陈慧灵,齐红.时空数据挖掘研究进展［J］.计算机研究与发展,2013,50(2):225-239. ［2］Kellaris G,Pelekis N,Theodoridis Y.Map-matched Trajectory Compression［J］.Journal of Systems and Software,2013,86(6):1566-1579. ［3］Richter K F,Schmid F,Laube P.Semantic Trajectory Compression:Representing Urban Movement in a Nutshell［J］.Journal of Spatial Information Science,2012,4(4):3-30. ［4］Jeung H,Liu Qing,Shen Hengtao,et al.A Hybrid Prediction Model for Moving Objects［C］//Proceedings of IEEE International Conference on Data Engineering.Washington D.C.,USA:IEEE Computer Society,2008:70-79. ［5］Monreale A,Pinelli F,Trasarti R,et al.WhereNext:A Location Predictor on Trajectory Pattern Mining［C］//Proceedings of the 15th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining.New York,USA:ACM Press,2009:637-645. ［6］李海.基于GPS轨迹的周期模式发现［J］.电子设计工程,2015(21):24-27. ［7］席元鸿.时间序列部分周期模式挖掘研究［D］.兰州:西北师范大学,2011. ［8］Berberidis C,Aref W G,Atallah M,et al.Multiple and Partial Periodicity Mining in Time Series Databases［C］//Proceedings of Eureopean Conference on Artificial Intell-igence.Berlin,Germany:Springer,2002:370-374. ［9］Cao Huiping,Mamoulis N,Cheung D W.Discovery of Periodic Patterns in Spationtemporal Sequences［J］.IEEE Transactions on Knowledge and Data Engineering,2007,19(4):453-467. ［10］Karli S,Saygin Y.Mining Periodic Patterns in Spation-temporal Sequences at Different Time Granularities［J］.Intelligent Data Analysis,2009,13(2):301-335. ［11］Li Zhenhui,Ding Bolin,Han Jiawei,et al.Mining Periodic Behaviors for Moving Objects［C］//Pro-ceedings of the 16th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining.New York,USA:ACM Press,2010:1099-1108. ［12］Yeh Jieh-shan,Lin Szu-chen,Hu Shueh-cheng.A Novel Periodic Pattern Mining Algorithm［J］.International Journal of Hybrid Information Technology,2012,5(2):187-192. ［13］Huang Kuo-yu,Chang Chia-hui.SMCA:A General Model for Mining Asynchronous Periodic Patterns in Temporal Databases［J］.IEEE Transactions on Know-ledge and Data Engineering,2005,17(6):774-785. ［14］董晓莉.时间序列数据挖掘相似性度量和周期模式挖掘研究［D］.天津:天津大学.2007. ［15］李雪艳,梁璐,宫鹏,等.中国观鸟数据揭示鸟类分布变化［J］.科学通报,2012,57(31):2956-2963. 编辑陆燕菲

[1]	魏文浩, 唐泽坤, 刘刚. 基于距离和密度的PBK-means算法[J]. 计算机工程, 2020, 46(9): 68-75.
[2]	周诗源, 王英林. 基于布谷鸟搜索优化算法的多文档摘要方法[J]. 计算机工程, 2020, 46(7): 58-64,71.
[3]	史明阳, 王鹏, 汪卫. 有监督时间序列分割与状态识别算法[J]. 计算机工程, 2020, 46(5): 131-138.
[4]	张潘, 卢光跃, 吕少卿, 赵雪莉. 基于矩阵分解的属性网络表示学习[J]. 计算机工程, 2020, 46(10): 67-73.
[5]	王慧健, 刘峥, 李云, 李涛. 基于神经网络语言模型的时间序列趋势预测方法[J]. 计算机工程, 2019, 45(7): 13-19,25.
[6]	张玺君, 袁占亭, 张红, 高玮军, 张恩展. 交通轨迹大数据预处理方法研究[J]. 计算机工程, 2019, 45(6): 26-31.
[7]	李克,王海,徐小龙,杜煜. 基于众包感知的移动网络小区信息侦测方法[J]. 计算机工程, 2019, 45(2): 92-100.
[8]	崔晨,邓赵红,王士同. 基于Lasso稀疏学习的径向基函数神经网络模型[J]. 计算机工程, 2019, 45(2): 173-177.
[9]	谢彬,张琨,蔡颖,蒋彤彤,麻孟越. 移动目标关联共现规则挖掘算法研究[J]. 计算机工程, 2018, 44(8): 61-67,73.
[10]	王飞,庞悦,周向东,陈海波. MTSAX:一种新的多元轨迹索引方法[J]. 计算机工程, 2018, 44(5): 1-6.
[11]	温雪岩,陈家男,景维鹏,徐克生. 面向不平衡数据集分类模型的优化研究[J]. 计算机工程, 2018, 44(4): 268-273,293.
[12]	张艺豪,李梁,赵清华,马建芬,段倩倩. 基于全局相似度的社交网络个性化推荐算法[J]. 计算机工程, 2018, 44(10): 204-208.
[13]	申兴发,王兰迪. 公共自行车系统的租赁点聚类与功能识别[J]. 计算机工程, 2018, 44(1): 44-50.
[14]	余立苹,李云飞,朱世行. 基于高维数据流的异常检测算法[J]. 计算机工程, 2018, 44(1): 51-55.
[15]	乔千雄,曾洁茹,彭璇,郭迟. 面向车辆轨迹数据的违法取证分析系统[J]. 计算机工程, 2017, 43(5): 1-7.

基于中国观鸟数据的移动对象周期模式发现

Periodic Pattern Discovery of Moving Objects Based on China Birding Data CHEN Dong1,2,SHAO Zengzhen1,2,WEI Zhengzheng1,2,LIU Yanmin3

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

Metrics

本文评价

推荐阅读 10