面向轨迹大数据的语义标注与语义模式挖掘算法研究

Semantic information hidden in trajectory big data can help people better understand and cognize the behaviors and activities in spatiotemporal trajectories, which has important practical significance to real world trajectory big data mining and applications. Therefore, this proposal plans to study semantic annotation and semantic pattern mining for trajectory big data with external contexts. Firstly, we will build a multi-sourced heterogeneous data fusion semantic annotation model for various static and dynamic surrounding contextual data (e.g. POI, mobile social media), and give the multilayered and consistent semantic representation and learning method for trajectory big data. Then, for tasks of object relationship pattern mining and outlier detection, based on trajectories with semantic annotation, we will design semantic trajectory pattern models, and give the corresponding effective mining and detection methods, respectively. Finally, we will verify the correctness and effectiveness of proposed models and methods on real world trajectory big data and applications. If the project can be done successfully, it will provide important theoretical method for semantic annotation of trajectory big data, and lay the foundation for semantic trajectory databases. Furthermore, it will also provide a new insight and theory for future research of semantic trajectory data mining techniques.

轨迹大数据背后的语义信息可帮助人们更好地理解和认知时空轨迹数据中的行为活动，这对轨迹大数据挖掘和实际应用具有重要的研究价值和实际意义。因此，本课题拟对轨迹大数据的语义标注模型及语义轨迹模式挖掘算法进行深入研究，首先，针对轨迹数据的各类动静态外围语义环境数据(POI、移动社交媒体等)，构建多源、异构数据融合的语义标注模型，给出多层次、一致性的轨迹大数据语义特征表示及学习方法。然后，针对对象关系模式挖掘与轨迹异常检测任务，基于带有语义特征的轨迹大数据，分别设计深度融合语义的轨迹模式，并给出相应有效的语义模式挖掘与异常检测算法。最后，在真实轨迹大数据和实际应用上验证模型和挖掘算法的正确性和有效性。课题的成功实施将为轨迹大数据语义标注提供重要的理论方法，奠定语义轨迹数据库构建的基础，也可为语义轨迹大数据挖掘技术的进一步研究提供新思路和理论依据。

随着无线通信与定位技术的快速发展，海量移动对象的轨迹大数据采集越来越便利，对这些轨迹大数据的挖掘在各应用领域也发挥着越来越大的价值。轨迹数据背后的语义信息可帮助人们更好地理解和认知时空轨迹数据中的行为活动，这对轨迹大数据挖掘和实际应用具有重要的研究价值和实际意义。本项目选择时空轨迹大数据作为研究对象，对融合语义的轨迹大数据模式挖掘算法和异常检测技术展开了深入研究。在融合语义特征的移动关系推理方面，本项目提出了一种基于图嵌入技术的好友关系推理模型，将兴趣点类别等语义引入会面事件，有效提升了好友关系推理性能。在基于交通大数据的重要位置推理方面，本项目提出了一种准确的家庭位置和工作区域推理方法，实现了对稀疏车辆轨迹重要位置的标注。在基于交通大数据的车流量推理方面，本项目完成了一系列面向全城路段的交通车流量推理方法研究，从时空半监督模型到交通模拟器模型，再到时空表征学习模型，实现了交通车流量推理的SOTA性能。在高效能异常检测方面，本项目针对局部异常检测问题，提出了一类快速的Top-n局部异常点检测算法，通过引入多个上界设计了多粒度剪枝策略，有效提升了检测效率；针对流式大数据环境下的局部异常检测问题，还设计了一种基于核密度估计的Top-n局部异常点检测方法，实现了高效且有效的流式大数据Top-n局部异常点检测；针对高维数据的异常检测，本项目提出了一种层约束变分自编码的核密度估计异常检测模型和一种基于自回归流的异常检测模型，前者采用降维-检测两步走框架，而后者实现了一种端到端的高维异常检测框架。在融合语义的时空表征学习及应用方面，本项目完成了一系列面向大规模属性网络的高效表征学习方法，并实现了一种基于时空表征学习的个性化兴趣点推荐系统和一种基于时序多视图表征学习的交通车流量推理模型，在多个轨迹大数据上的实验评估验证了所提模型的有效性。