轨迹数据挖掘：概述 Trajectory Data Mining: An Overview 位置采集和移动计算技术的进步已经产生了大量的空间轨迹数据，这些数据代表了移动物体（如人，车辆和动物）的移动性。在过去十年中，已经提出了许多技术来处理，管理和挖掘轨迹数据，促进了广泛的应用。在本文中，我们对轨迹数据挖掘的主要研究进行了系统的调研，提供了该领域的全景及其研究课题的范围。根据轨迹数据的推导，轨迹数据预处理，轨迹数据管理以及各种挖掘任务（如轨迹模式挖掘，异常值检测和轨迹分类）的路线图，调研探讨了连接，相关性，以及这些现有技术之间的差异。这项调研还介绍了将轨迹转换为其他数据格式（如图，矩阵和张量）的方法，可以应用更多的数据挖掘和机器学习技术。最后，提出了一些公共轨迹数据集。这项调研可以帮助塑造轨迹数据挖掘领域，从而快速了解这一领域对社区的影响。 类别和主题描述符：H.2.8 [数据库管理]：数据库应用 - 数据挖掘，空间数据库和GIS; I.2.6 [人工智能]：学习 - 知识获取 一般术语：算法，测量，实验 附加关键词和短语：时空数据挖掘，轨迹数据挖掘，轨迹压缩，轨迹索引和检索，轨迹模式挖掘，轨迹异常值检测，轨迹不确定性，轨迹分类，城市计算 1.引言 空间轨迹是由地理空间中的运动物体产生的轨迹，通常由一系列时间顺序的点表示，例如p1 →p2 → · · · → pn，其中每个点包括地理空间坐标集和时间戳，如p = (x , y , t)。 位置采集技术的进步产生了无数的空间轨迹，代表了各种移动物体（如人，车辆和动物）的移动性。这些轨迹为我们提供了前所未有的信息来了解移动物体和位置，促进了基于位置的社交网络[Zheng 2011]，智能交通系统和城市计算领域的广泛应用[Zheng et al. 2014b]。这些应用的流行又要求系统地研究新的计算技术，以从轨迹数据中发现知识。在这种情况下，轨迹数据挖掘已经成为越来越重要的研究课题，引起了计算机科学，社会学和地理学等众多领域的关注。 在轨迹数据挖掘领域进行了深入和广泛的个人研究。然而，我们缺乏系统的评估，可以很好地塑造现有的研究领域和定位。面对大量出版物，社区对这些现有技术的联系，相关性和差异性仍不甚清楚。为此，我们根据图 1 所示的范例进行了全面探索轨迹数据挖掘领域的综合描述： 第一，在第2 节中，我们将生成轨迹的数据源分为四组，列出了每个组中轨迹数据可以启用的几个关键应用。 第二，在使用轨迹数据之前，我们需要处...
VIP
