近年來,隨著移動設備飛快普及與硬件存儲、計算能力的飛快提升,每天都有海量的軌跡數和帶地點標簽的簽到數據以驚人的速度產生。這些數據蘊含著著人們的移動規(guī)律以及出行模式,因而高效地對軌跡數據進行存儲、壓縮、表征以及知識挖掘將對現有經濟、環(huán)境、交通等領域產生深遠影響。在商業(yè)方面,探索如何從海量的用戶軌跡或簽到數據中挖掘出用戶喜好信息,進而向用戶推薦潛在的感興趣地點,將使人們的生活得到極大的提升,也能為不同規(guī)模的商業(yè)經濟帶來巨大的效益。針對軌跡和地點數據的挖掘,研究者們根據自己的需求提出了各種軌跡壓縮、表征以及地點推薦的算法。然而目前的算法在特定方面仍然存在缺陷,本文就此提出了解決方案�？傆^全文,本文的工作重心和創(chuàng)新點體現在以下三方面:第一、目前的軌跡壓縮方法多以線條約簡的思想為主,沒有考慮軌跡的全局語義信息。部分考慮全局語義信息的工作不能在地圖上語義稀疏和缺乏的地方工作。本文提出了一種高效且魯班的全局軌跡壓縮表征方式,將整個軌跡數據集表征為一個多粒度的地點網絡。該網絡可根據應用的需求將已知的額外地點信息包含進來以增強軌跡的表征壓縮效果。這樣一方面使得軌跡稀疏的區(qū)域的軌跡表征得到矯正,另一方面也... 

【文章來源】：電子科技大學四川省 211工程院校 985工程院校 教育部直屬院校

【文章頁數】：94 頁

【學位級別】：碩士

【部分圖文】：

大西洋颶風1851年-2018年軌跡可視化圖

基于DTW的軌跡相似度示意圖

基于CBOW的Hierarchical Softmax的模型


本文編號：3222209