GPS及图像轨迹时空数据挖掘

CSC-791-空间数据挖掘空间/时间数据挖掘代码

这篇综述文章由郑宇撰写，深入探讨了轨迹数据挖掘的相关主题。

针对周期行为挖掘中时空数据采样频率不确定、数据稀疏和时空数据噪声等问题，采用GMPF（GPS Multi-Periodic Find）算法探索用户的周期模式。该方法首先将用户轨迹序列转换为兴趣点集合，然后针对每个兴趣点进行周期挖掘。在微软亚洲研究院的Geolife项目中，利用182名用户4年的GPS数据进行了验证实验，证明了该方法的有效性，对数据噪声和稀疏性具有较好的适应性。

基于多层分割算法，从GPS轨迹数据中识别活动停留点，挖掘出行信息。

当前库包含通用关联规则挖掘框架（GARMF），支持从事务、空间数据集和时空数据集中挖掘关联规则，并支持增量挖掘。另外还包括规则过滤库（RFL）和规则评估库。此外，还提供了DAP-Shell、GARMF和RFL的GUI界面。

轨迹数据挖掘涉及从轨迹数据中提取行为模式和规律，应用于事故调查、群体跟踪等领域。主要技术包括：伴随模式挖掘与频繁模式挖掘。 伴随模式挖掘：通过提取伴随的移动对象，分析对象群体行为。例如，分析时空环境中对象的群体特征，识别Flock, Convoy, Swarm, Gathering等模式。此技术对群体行为的识别有重要应用。 频繁模式挖掘：主要从大规模轨迹数据中发现频繁时序模式。这些模式在旅游推荐、生活模式挖掘、地点预测等方面有广泛应用。具体方法包括： 基于简单分段的轨迹挖掘方式 基于聚类的兴趣区域挖掘方式 基于路网匹配的频繁模式挖掘方式 算法方面，频繁模式挖掘通常使用以下两种算法：

综述了图数据挖掘的研究现状。 介绍了AGM、FSG和gSpan算法及其主要思想。 分析了算法复杂性并预测了未来发展方向。

《图像数据挖掘》一书是由Diane J. Cook与Lawrence B. Holder合著，两位作者均来自华盛顿州立大学电气工程与计算机科学学院。该书由Wiley-Interscience出版，版权归2007年John Wiley & Sons, Inc.所有，于新泽西州霍博肯出版，并在加拿大同步发行。本书深入探讨了图像数据挖掘领域的核心概念、理论框架及实际应用，为读者提供了全面且深入的视角，帮助理解图像数据挖掘的复杂性和多样性。图像数据挖掘是从图像或视频数据中自动提取有用信息或知识的过程，涉及计算机视觉、模式识别、机器学习及人工智能等多个交叉学科。

基于数据库的知识发现（KDD）是指从海量数据中提取有效、新颖、潜在有用、最终可理解模式的非平凡过程。