本文關(guān)鍵詞：Spark平臺上基于K-Means算法的熱點路徑發(fā)現(xiàn)方法研究　出處：《信息工程大學學報》2016年06期 　論文類型：期刊論文

  更多相關(guān)文章： 移動對象 熱點路徑發(fā)現(xiàn) Spark 停留點 K-means算法

【摘要】：移動對象的熱點路徑發(fā)現(xiàn)問題是大數(shù)據(jù)環(huán)境下位置服務(wù)研究的一個熱點,可支撐用戶行程推薦、智能交通管控以及城市道路規(guī)劃等諸多應(yīng)用。當前,隨著智能移動終端的快速發(fā)展和應(yīng)用,移動對象軌跡數(shù)據(jù)的規(guī)模量日益增大,而現(xiàn)有的軌跡熱點路徑發(fā)現(xiàn)方法在大數(shù)據(jù)環(huán)境下存在處理效率不高的問題。針對該問題,提出了在Spark平臺上基于K-means聚類算法的熱點路徑發(fā)現(xiàn)方法。該方法首先確定軌跡中的停留點,通過停留點將軌跡劃分為若干軌跡段,給出軌跡段之間距離的定義和計算方法,在此基礎(chǔ)上采用K-means算法,對移動軌跡段進行聚類,聚類結(jié)果即反映出軌跡中的熱點路徑。實驗結(jié)果表明,在Spark平臺上實現(xiàn)該方法有效的提高了在大規(guī)模數(shù)據(jù)集上發(fā)現(xiàn)熱點路徑的效率。
[Abstract]:Hot path of moving objects found that the problem is a hot research topic in location services under the big data environment, and can support the user travel recommendation, intelligent traffic control and city road planning and many other applications. At present, with the rapid development and application of intelligent mobile terminal, the mobile object scale trajectory data is increasing, and the trajectory of hot path the existing discovery method has the problem of low efficiency in large data environment. To solve this problem, proposed on the platform of Spark hot path clustering algorithm based on K-means method. This method firstly determined to stay in the path, stay will be divided into several trajectory trajectory trajectory is given the distance between. The definition and calculation method on the basis of K-means algorithm to cluster the mobile trajectory, the clustering results reflected the hot path. The experimental results It shows that the implementation of this method on the Spark platform effectively improves the efficiency of finding hot spots on a large dataset.

【作者單位】： 數(shù)學工程與先進計算國家重點實驗室;
【分類號】：TP311.13
【正文快照】： 近年來,隨著衛(wèi)星定位導航系統(tǒng)的日益成熟,以及Web GIS、移動互聯(lián)網(wǎng)、移動智能終端等技術(shù)的快速發(fā)展和廣泛應(yīng)用,位置服務(wù)已經(jīng)成為當前產(chǎn)業(yè)界和學術(shù)界研究的熱點,熱點路徑的發(fā)現(xiàn)是位置服務(wù)中的關(guān)鍵內(nèi)容之一。熱點路徑是指一段時間內(nèi)移動對象頻繁經(jīng)過的路線,可以很大程度上反映移

【參考文獻】

相關(guān)期刊論文 前4條

1 吳俊偉;朱云龍;庫濤;王亮;;基于網(wǎng)格聚類的熱點路徑探測[J];吉林大學學報(工學版);2015年01期

2 盧帥;趙卓峰;韓燕波;;一種車輛移動對象相似軌跡查詢算法[J];計算機與數(shù)字工程;2014年09期

3 尹成祥;張宏軍;張睿;綦秀利;王彬;;一種改進的K-Means算法[J];計算機技術(shù)與發(fā)展;2014年10期

4 夏英;溫海平;張旭;;基于軌跡聚類的熱點路徑分析方法[J];重慶郵電大學學報(自然科學版);2011年05期

【共引文獻】

相關(guān)期刊論文 前10條

1 陳平;皇甫大鵬;林曼筠;趙現(xiàn)綱;;基于主成分分析和運行特征的軟件聚類分析[J];中國教育信息化;2017年06期

2 崔艷超;周剛;;Spark平臺上基于K-Means算法的熱點路徑發(fā)現(xiàn)方法研究[J];信息工程大學學報;2016年06期

3 賈若然;劉曙光;孫啟龍;;基于位置軌跡數(shù)據(jù)的用戶相似性分析[J];計算機與數(shù)字工程;2016年08期

4 鄭誠;俞青云;;基于kNN的聚類算法研究[J];赤峰學院學報(自然科學版);2016年08期

5 彭艷兵;馮利容;;基于網(wǎng)格概率的離群點檢測算法[J];計算機系統(tǒng)應(yīng)用;2016年04期

6 翟婷;宋文愛;富麗貞;史磊;;基于路網(wǎng)感知的時空軌跡聚類[J];計算機工程與設(shè)計;2016年03期

7 毛秀;冒純麗;丁岳偉;;基于密度和聚類指數(shù)改進的K-means算法[J];電子科技;2015年11期

8 曹波;韓燕波;王桂玲;;基于車牌識別大數(shù)據(jù)的伴隨車輛組發(fā)現(xiàn)方法[J];計算機應(yīng)用;2015年11期

9 蔡文學;蕭超武;黃曉宇;;基于LDA的用戶軌跡分析[J];計算機應(yīng)用與軟件;2015年05期

10 吳俊偉;朱云龍;庫濤;王亮;;基于網(wǎng)格聚類的熱點路徑探測[J];吉林大學學報(工學版);2015年01期

【二級參考文獻】

相關(guān)期刊論文 前10條

1 周婷;張君瑛;羅成;;基于Hadoop的K-means聚類算法的實現(xiàn)[J];計算機技術(shù)與發(fā)展;2013年07期

2 趙新勇;安實;;伴隨車檢測技術(shù)應(yīng)用研究[J];交通運輸系統(tǒng)工程與信息;2012年03期

3 趙秀麗;徐維祥;;一種移動物體時空軌跡聚類的相似性度量方法[J];信息與控制;2012年01期

4 方艾芬;李先通;，

本文編號：1436993