基于改进LCSS的移动用户轨迹相似性查询算法研究
详细信息 查看官网全文
- 论文作者：陈少权
- 年：2016
- 作者机构：广州杰赛科技股份有限公司;
- 论文关键词：轨迹相似性 ; FP树 ; 最长公共子序列 ; 时间相似性系数
- 会议召开时间：2016-12-22
- 会议录名称：2016广东蜂窝物联网发展论坛专刊
- 语种：中文
- 分类号：TN929.5;TP301.6
- 学会代码：DZYD
- 会议名称：2016广东蜂窝物联网发展论坛
- 会议地点：中国广东广州
- 主办单位：广东省通信学会、中国电信股份有限公司广东研究院、《移动通信》杂志社
- 学会名称：中国电子科技集团公司第七研究所《移动通信》杂志社
- 页数：5
- 文件大小：307k
- 原文格式：O
- 会议级别：地方
摘要
为了解决由于移动用户轨迹数据具有随机性和繁杂性而导致算法效率和精度低的问题,首先抽取用户轨迹时间位置序列,然后基于用户的逗留时长采用加权FP树挖掘移动用户的常驻区域以解决用户轨迹的随机性,最后提出结合用户出行的时间和地理因素的LCSS算法衡量用户轨迹相似性。实验证明,该算法具有一定的有效性和扩展性。
引文
[1]裴剑,彭敦陆.一种基于LCSS的相似车辆轨迹查找方法[J].小型微型计算机系统,2016,37(6):1197-1202.
[2]贾振美.面向稀疏轨迹数据的位置预测方法研究[D].沈阳:东北大学,2014.
[3]张用川.基于手机定位数据的用户出行规律分析[D].昆明:昆明理工大学,2013.
[4]罗家顺.面向移动用户的协同过滤推荐算法研究[D].长春:吉林大学,2016.
[5]肖啸骐.一个有效的稀疏轨迹数据相似性度量[J].微型电脑应用,2014,30(4):25-30.
[6]吕瑞鹏.基于移动概括的新用户相似度衡量方法[D].济南:山东大学,2014.
[7]Chen L,Ozsu M T,Ora V.Robust and fast similarity search for moving object trajectories[C].Proceedings of the 2005 ACM SIGMOD International Conference on Management of Data,ACM,2005:491-501.
[8]Lee J G,Han J,Whang K Y.Trajectory clustering:a partition and group framework[C].Proceeding of2007 ACM SIGMOD International Conference on Management of Data,ACM,2007:593-604.
[9]Lee S L,Chun S J,Kim D H,et al.Similarity search for multidimensional data sequences[C].Data Engineering,Proceedings.16 International Conference on IEEE,2000:599-608.
[10]郭岩,罗珞珈,汪洋,等.一种基于DTW改进的轨迹相似度算法[J].研究与开发,2016,35(9):66-71.
[11]SAKURAI Y,YOSHIKAWA M,FALOUTSOS C.FTW:fast similarity search under the time warping distance[C].Symposium on Principles of Database System,2005:491-502.
[12]Marascu A,Khan S A,Palpanas T.Scalable similarity matching in streaming time series[C].Proc of PAKDD'12.Berline:Springer,2012:218-230.
[13]Vlachos M,Kollios G,Gunopulos D.Discovering similar multidimensional trajectories[C].Pro of ICDE 12.Piscataway,NJ:IEEE,2002:673-684.
[14]肖艳丽.基于位置序列的广义后缀树用户相似性计算方法[J].计算机应用,2015,35(6):1654-1658.
[15]王亮,汪梅,郭鑫颖,等.面向移动时空轨迹数据的频繁闭合模式挖掘[J]西安科技大学学报,2016,36(4):573-576.
[16]陈文.基于FP树的加权频繁模式挖掘算法[J].计算机工程,2012,38(6):63-65.
[17]Pasquier N,Bastide Y,Taouil R,et al.Discovering frequent closed itemsets for association rules[C].Beeri C.Proc of the 7~(th)Int'l Conf on Database Theory.Jerusalem:Springer-Verlag,1999:398-416.
[2]贾振美.面向稀疏轨迹数据的位置预测方法研究[D].沈阳:东北大学,2014.
[3]张用川.基于手机定位数据的用户出行规律分析[D].昆明:昆明理工大学,2013.
[4]罗家顺.面向移动用户的协同过滤推荐算法研究[D].长春:吉林大学,2016.
[5]肖啸骐.一个有效的稀疏轨迹数据相似性度量[J].微型电脑应用,2014,30(4):25-30.
[6]吕瑞鹏.基于移动概括的新用户相似度衡量方法[D].济南:山东大学,2014.
[7]Chen L,Ozsu M T,Ora V.Robust and fast similarity search for moving object trajectories[C].Proceedings of the 2005 ACM SIGMOD International Conference on Management of Data,ACM,2005:491-501.
[8]Lee J G,Han J,Whang K Y.Trajectory clustering:a partition and group framework[C].Proceeding of2007 ACM SIGMOD International Conference on Management of Data,ACM,2007:593-604.
[9]Lee S L,Chun S J,Kim D H,et al.Similarity search for multidimensional data sequences[C].Data Engineering,Proceedings.16 International Conference on IEEE,2000:599-608.
[10]郭岩,罗珞珈,汪洋,等.一种基于DTW改进的轨迹相似度算法[J].研究与开发,2016,35(9):66-71.
[11]SAKURAI Y,YOSHIKAWA M,FALOUTSOS C.FTW:fast similarity search under the time warping distance[C].Symposium on Principles of Database System,2005:491-502.
[12]Marascu A,Khan S A,Palpanas T.Scalable similarity matching in streaming time series[C].Proc of PAKDD'12.Berline:Springer,2012:218-230.
[13]Vlachos M,Kollios G,Gunopulos D.Discovering similar multidimensional trajectories[C].Pro of ICDE 12.Piscataway,NJ:IEEE,2002:673-684.
[14]肖艳丽.基于位置序列的广义后缀树用户相似性计算方法[J].计算机应用,2015,35(6):1654-1658.
[15]王亮,汪梅,郭鑫颖,等.面向移动时空轨迹数据的频繁闭合模式挖掘[J]西安科技大学学报,2016,36(4):573-576.
[16]陈文.基于FP树的加权频繁模式挖掘算法[J].计算机工程,2012,38(6):63-65.
[17]Pasquier N,Bastide Y,Taouil R,et al.Discovering frequent closed itemsets for association rules[C].Beeri C.Proc of the 7~(th)Int'l Conf on Database Theory.Jerusalem:Springer-Verlag,1999:398-416.