面向时空轨迹数据异常和关联模式的挖掘模型

时空轨迹是指目标在时空中运动时所留下的印记。现实世界中的人、动物、商品、自然及社会现象等在运动或变化时都会留下时空轨迹。由于空间信息技术的迅速发展，空间目标的活动会被更多地记录下来而形成时空轨迹数据，从而逐步成为刻画空间目标运动状态的重要信息源。然而，传统的以要素图层为基础、静态分析为核心的空间分析和数据挖掘理论难以满足时空轨迹分析的需要。因此，本项目拟突破传统的空间数据挖掘理论研究框架，在理论上，从轨迹数据之间的相似性度量、轨迹数据的异常模式识别及关联模式挖掘等三个方面入手，探讨面向时空轨迹数据的模式挖掘理论与方法。在应用研究中，以美国中西部和中国主要经济发达地区居民个人的时空迁移轨迹数据为例挖掘时空轨迹中的异常和频繁模式，并通过与背景数据的关联分析探讨影响居民个体迁移的原因（包括自然、社会和经济等因素），对比中、美两国居民个体的迁移模式及其影响因素的异同。

时空轨迹是指目标在时空中运动时所留下的印记，是研究个体行为的重要素材，而针对其挖掘的方法是提取个体行为模式研究的核心手段。本项目面向时空轨迹数据模式的挖掘方法展开系统研究，构建了面向广义时空轨迹的模式挖掘方法体系，并将相关模型应用于城市大数据的模式挖掘中，取得的进展包括四个方面。第一、从数据分解的角度构建的广义时空轨迹的分解模型，实现了时空点序列的模式分解，为时空轨迹的模式提取奠定了理论基础。第二，提出了加窗Frechet距离的概念，并将离散Frechet距离与谱系聚类方法进行结合，构建了可同时考虑轨迹形状和属性相似性的聚类。通过应用该模型，提取了美国中西部居民的迁移模式及北京城市居民的活动模式。第三，拓展了一元点过程的密度聚类方法，实现了针对轨迹OD点的二元过程聚类，将其应用于出租车轨迹的OD点，实现了出租车OD点平衡状态的时空分析。第四、在复杂网络的背景下研究时空轨迹的特征，实现了复杂网络不均匀性的分析，并以此为基础对城市中的功能分区以及居民的行为模式进行了反演研究，通过城市中“泛在传感器”所产生的数据及时掌握城市土地的实际使用状况和功能区分布。课题围绕研究内容共发表学术论文8篇，其中SCI论文6篇，培养研究生4名。