基于GEP和亚复杂系统的跨媒体时空数据挖掘关键技术研究

The main task of this project is to research the key technology based on GEP technology and sub-complex system theory that the knowledge will be discovered from the cross-media and spatio-temporal data with the nature of big data which are obtained from the network and the industry and in particular, are those from a real urban road traffic video surveillance and the city's Emergency Response Center monitoring data and others. It tries to solve complex data sampling, compression and dimensionality reduction based on the theory of sub-complex systems, and process the data objects on the specific areas within the cross-media and spatio-temporal data based on the GEP technology. The research focuses on the following: The sub-complex systems will be found about cross-media and spatio-temporal data; cross-media temporal and spatial data index structure will be built in sub-complex systems; the cross-media and spatio-temporal data model will be constructed in sub-complex systems. Finally, a theoretical framework of a new processing system of cross-media and spatio-temporal data and its method is to be built from the aspect of sub-complex systems. The project accepts the sub-complex systems and GEP technology to discover the knowledge from cross-media data based on big data, so as to overcome the difficult problems that the big data can't be processed with traditional methods, and to present a new idea and an important way for us to discover the knowledge from the cross-media and spatio-temporal data based on the big data.

本项目以当今网络及各行业产生的具有大数据性质的跨媒体时空数据，尤其是真实的城市交通道路视频监控数据以及城市应急联动中心的监控数据等大数据为研究对象，研究基于GEP技术和亚复杂系统理论的跨媒体时空数据挖掘的关键技术。尝试基于亚复杂系统的理论，解决复杂数据抽样、压缩及降维的问题，利用GEP等先进的智能计算技术，对特定领域内的跨媒体时空数据对象进行智能分析及挖掘。重点研究以下内容：跨媒体时空数据的亚复杂系统构建；亚复杂系统中跨媒体时空数据的索引结构构建；亚复杂系统中跨媒体时空数据挖掘模型的描述和构建。最后，尝试从亚复杂系统的角度构建一种新的跨媒体时空数据处理的理论框架、体系及其技术方法。 本项目将亚复杂系统和GEP引入到大数据背景下的跨媒体时空数据挖掘中，以解决当前国际上普遍存在的大数据难以用传统技术处理的瓶颈与难点，为大数据背景下跨媒体时空数据的挖掘研究提供新的思路和重要途径。

背景：大数据时代背景下，伴随着网络用户数量呈爆炸性增长，由各种网络用户产生的媒体数据也随之急剧增长，网络规模和媒体数据的增长不仅带来更复杂的网络用户节点之间关系，还对大量呈现的媒体数据、时空数据的处理、挖掘技术提出了更高的要求。对复杂系统、海量媒体数据、时空数据的挖掘技术研究非常重要。.主要研究内容：.1、研究复杂系统的挖掘、特征表示和提取理论和方法。.2、研究跨媒体时空数据的关联规则、特征提取、预测等模型的构造方法。.3、研究跨媒体数据处理智能算法的优化和改进。.重要成果：.1、在复杂系统的研究工作上，项目面向海量数据的相关性，实现了“网络重叠社区的谱聚类集成算法”，“基于标签影响力的半同步社区发现算法”，上述算法能够从复杂系统网络中挖掘出隐藏的具有潜在价值的社区结构模式，对及时发现人与人的社交关系网，发现社区成员之间的关系及用户行为规律，控制社会突发事件的舆论提供了提供辅助决策支持。.2、对于轨迹位置时空数据，以GPS轨迹时空数据集为主要研究对象，建立了 “基于空间编码技术的轨迹特征提取方法”，“ 基于前缀投影技术的大规模轨迹预测模型”，“基于偏好和位置感知的推荐算法”等算法模型。为城市交通行驶路线规划、交通流预测、出租车调度、提高整个公路运输系统的机动性、安全性和运输效率及挖掘潜在的城市事故规律提供算法技术支持。.3、设计并实现了“基于 Multi-agent 的分布式文本聚类模型”、“ 基于关联规则的语音情感中韵律特征抽取算法”、“ 基于核贝叶斯压缩感知的人脸识别”等多种媒体数据处理算法，实现了“有效的矩阵加权正负关联规则挖掘算法”等加权正负关联规则挖掘的系列算法模型。提出并实现了“面向LBSN的k -medoids聚类算法”、“基于多核集群的混合群体智能并行算法研究”等多种智能算法的优化方案。为城市交通及城市安全的相关事故预测、挖掘提供了众多原型工具，为其他媒体数据的处理、分析工作提供了理论和模型框架基础。.。