軌跡數據挖掘
軌跡挖掘是數據挖掘的一個新興分支,其研究熱點集中於軌跡聚類、軌跡分類、離群點檢測、興趣區域、隱私保護、位置推薦等方面。如果將時間看做是一維數據,大多數傳統高維數據聚類算法可以很好的適應於當前的軌跡聚類。多維數據距離測量和有效計算方面的研究已經展開。將軌跡數據看做為混契約束模型生成的有序點序列,並套用統計學方法進行研究也已展開。而所有這些軌跡聚類方法都是以軌跡作為整體進行的,並沒有對子軌跡聚類給及足夠重視。韓家煒教授提出一種“劃分-合併”聚類模型,試圖解決這個問題。該模型首先將軌跡劃分為多條軌跡段,之後對這些軌跡段進行密度聚類。聚類結果中,除去聚類簇以外,還獲得大量的離群點。這些離群點一般來講,都遠離任意一個聚類簇中心。最近,針對更加複雜情況下的聚類方法也被提出,比如多維信息集成和離群點檢測方法等。當前,雖然有大量聚類和離群點檢測算法,但套用於移動對象模式的分類算法還不是很多。在根據時間序列分類的關聯區域研究中,單一最近鄰對象方法得到了廣泛的套用,而一種基於Shapelet的分類方法也被證明非常有效。時間序列研究主要用於解決一維數據,而移動對象分類研究面對的往往是二維空間數據,所以前者的研究方法套用於後者有一定的局限性。基於區域和軌跡聚類的分類方法,將區域和聚類結果作為軌跡的特徵進行分類研究,可以得到更為有效的結果。