期刊文献+
共找到4篇文章
< 1 >
每页显示 20 50 100
移动轨迹数据的可视化 被引量:35
1
作者 蒲剑苏 屈华民 倪明选 《计算机辅助设计与图形学学报》 EI CSCD 北大核心 2012年第10期1273-1282,共10页
GPS,RFID和无线通信设备的爆炸状发展,让人们有可能搜集到大量的车辆、人群等的移动轨迹数据(简称轨迹数据),这些数据在交通管理、流动性分析、路线推荐等很多领域有着重要的应用.轨迹数据同时包含空间和时间属性,数据量大且维度高,分... GPS,RFID和无线通信设备的爆炸状发展,让人们有可能搜集到大量的车辆、人群等的移动轨迹数据(简称轨迹数据),这些数据在交通管理、流动性分析、路线推荐等很多领域有着重要的应用.轨迹数据同时包含空间和时间属性,数据量大且维度高,分析起来难度很大.可视化技术可以直观地呈现多维时空轨迹数据,并提供丰富的互动,以揭示数据中包含的时空规律.文中总结了轨迹数据的可视化技术的研究现状,介绍了多个应用案例. 展开更多
关键词 移动轨迹数据 可视化分析 时空数据分析
在线阅读 下载PDF
基于移动轨迹数据的商圈消费者规模分析 被引量:2
2
作者 刘志 刘辉平 +1 位作者 赵大鹏 王晓玲 《华东师范大学学报(自然科学版)》 CAS CSCD 北大核心 2017年第4期97-113,138,共18页
随着城市化的推进以及大数据技术的不断发展,智慧商圈成为智慧城市建设的重要组成部分.智慧商圈的热门程度、消费者的规模、消费层次等因素成为智慧商圈建设的关注热点.然而,传统的消费者规模的统计,还是基于传统的问卷调查或者抽样等,... 随着城市化的推进以及大数据技术的不断发展,智慧商圈成为智慧城市建设的重要组成部分.智慧商圈的热门程度、消费者的规模、消费层次等因素成为智慧商圈建设的关注热点.然而,传统的消费者规模的统计,还是基于传统的问卷调查或者抽样等,这些方法不仅成本昂贵而且效率低下.但随着数据挖掘技术的发展,使得通过分析用户行为轨迹来确定商圈消费者规模成为可能.本文提出了一种基于轨迹数据分析的商圈消费者规模分析方法.本文的主要工作包括:①在轨迹数据中,如何确定商圈的边界这是一个首要的问题,基于此,才能确定一位消费者是在商圈内活动,还是在商圈外面.本文提出了根据商圈内基站点的位置分布,运用k-Nearest Neighbor(kNN)分类算法,对该商圈的范围进行圈定的方法.②由于轨迹数据的不确定性特点,确定一个用户与商圈的关系也是一个难题.本文利用计算不规则多边形面积的方法计算基站点的权重值,结合时间阈值分析该区域内每天的消费者规模.③最后,鉴于轨迹数据的海量性,本文提出了一个大数据计算框架BPDA(Business-Circle Parallel Distributed Algorithm),基于Hadoop大数据处理平台和Kafka分布式消息系统,实现了基于移动轨迹数据的商圈消费者规模分析系统,并使用中山公园商圈基站数据,展示了本文所提方法的可行性. 展开更多
关键词 移动轨迹数据 消费者规模分析 KNN分类算法 商圈轮廓
在线阅读 下载PDF
移动轨迹聚类方法研究综述 被引量:19
3
作者 牟乃夏 徐玉静 +3 位作者 张恒才 陈洁 张灵先 刘希亮 《测绘通报》 CSCD 北大核心 2018年第1期1-7,共7页
轨迹数据是人类移动行为的表征,能够映射出人的出行模式和社会属性等信息。怎样有效挖掘轨迹数据蕴藏的人类活动规律一直是研究的热点。通过轨迹聚类发现行为相似的类簇,从而探究群体的移动模式是轨迹挖掘和深度应用常见的方法之一。本... 轨迹数据是人类移动行为的表征,能够映射出人的出行模式和社会属性等信息。怎样有效挖掘轨迹数据蕴藏的人类活动规律一直是研究的热点。通过轨迹聚类发现行为相似的类簇,从而探究群体的移动模式是轨迹挖掘和深度应用常见的方法之一。本文首先根据轨迹数据的特点,将轨迹数据模型分为轨迹点模型和轨迹段模型,并据此定义相应的相似性度量:空间相似性度量和时空相似性度量;然后,对两类模型的聚类方法进行了综述,并总结不同聚类算法的优缺点,以期为不同应用选取聚类算法提供科学依据;最后对移动轨迹数据聚类方法研究的发展趋势进行了讨论。 展开更多
关键词 移动轨迹数据 数据挖掘 聚类方法 研究综述
在线阅读 下载PDF
基于空间邻近搜索的移动轨迹相对时间模式挖掘方法 被引量:2
4
作者 张海涛 周欢 张国楠 《计算机应用》 CSCD 北大核心 2018年第11期3326-3331,共6页
针对传统移动轨迹模式挖掘方法挖掘速度慢、占用最大内存大的问题,提出一种基于空间邻近搜索的移动轨迹相对时间模式挖掘方法。该方法包括5个阶段:1)对移动轨迹数据进行时空划分,并基于移动轨迹数据与时空格的匹配得到移动轨迹数据对应... 针对传统移动轨迹模式挖掘方法挖掘速度慢、占用最大内存大的问题,提出一种基于空间邻近搜索的移动轨迹相对时间模式挖掘方法。该方法包括5个阶段:1)对移动轨迹数据进行时空划分,并基于移动轨迹数据与时空格的匹配得到移动轨迹数据对应的时空格序列。2)扫描所有的时空格序列数据得到空间网格集合,并通过空间网格与时空格序列的包含运算得到所有的频繁空间网格。3)频繁空间网格转变为长度为1的频繁相对时间模式。4)基于空间邻近搜索的方式进行模式增长,得到以频繁空间网格为单元的候选相对时间模式,并通过相对时间模式与时空格序列的匹配运算,计算相对时间模式的支持度。5)基于设定的支持度阈值,得到所有频繁的相对时间模式。实验结果表明:所提方法由于采用了基于空间邻近搜索的方式进行模式扩展,大幅减小候选相对时间模式的搜索范围。与传统方法相比,所提方法具有挖掘速度快、占用最大内存少的优点。另外,方法在运行时间上具有更好的稳定性和可扩展性,而在占用最大内存上的稳定性与可扩展性与传统方法基本相近。该方法有助于移动轨迹模式挖掘方法提升挖掘速度、减少占用最大内存。 展开更多
关键词 移动轨迹数据 空间邻近搜索 时空格 支持度 相对时间模式
在线阅读 下载PDF
上一页 1 下一页 到第
使用帮助 返回顶部