CN103324706A - 具有时间约束的轨迹数据热点区域的方法 - Google Patents

Abstract

一种具有时间约束的轨迹数据热点区域的方法，属于轨迹数据热点区域的方法。该方法利用候选热点区域以及时间属性构建“R-T矩阵”，的矩阵，把热点区域与热点区域所在的时间范围有机结合在一起；把轨迹按照时间间隔分段，每个时间间隔都与热点区域所在的时间范围相匹配，通过“时间桶”轨迹被分段；然后把轨迹段与热点区域进行匹配，时间段[t_i,t_i+1]内轨迹T与候选热点区域R相交，移动对象在时间段[t_i,t_i+1]内经过了热点区域R，如果这条轨迹同时满足在区域内活动时间不小于阈值，则该轨迹被认为是热点区域的支持轨迹。优点：该方法候选热点区域具有时间约束；在进行热点区域发现的时候，区域的时间属性是必须要考虑的因素，从时间和空间两个不同的维度上考虑。

Description

具有时间约束的轨迹数据热点区域的方法

技术领域

本发明涉及一种轨迹数据热点区域的方法，特别是一种具有时间约束的轨迹数据热点区域的方法。 

背景技术

时间点或者记录数据的时刻信息是轨迹数据的固有属性，在进行轨迹数据知识发现的时候，除了空间位置上的考察，时间属性也是一个不容忽视的因素。现有轨迹数据热点区域发现算法多数是基于密度聚类或者从区域密度的角度来解释和解决问题。在聚类思想的指导下，现有热点区域发现方法主要考虑的是空间位置的聚集，在时间维度上则考虑得较少。而热点区域不仅是一个空间上的概念，空间属性仅仅能代表移动对象曾经在该区域活动过。 

移动对象的活动是“时空”维度上的整体，脱离了时间上的属性，热点区域不能清楚地表征移动对象活动的意义。 

例如CB-SMoT算法在聚类过程中仅仅是把对象在聚类区域中的停留时间作为结果参考条件。在热点区域发现过程中并没有完全挖掘出轨迹数据本身具有的时间属性的深层次意义。 

发明内容

本发明的目的是要提供一种具有时间约束的轨迹数据热点区域的方法，解决现有热点区域发现方法主要考虑的是空间位置的聚集，在时间维度上则考虑得较少的问题。 

本发明的目的是这样实现的：一种包含“时空”因素的热点区域的方法，使热点区域具有时间约束；该方法中，利用候选热点区域以及时间属性构建“R-T矩阵”，通过这样的矩阵，把热点区域与热点区域所在的时间范围有机结合在一起；把轨迹按照时间间隔分段，每个时间间隔都与热点区域所在的时间范围相匹配构成“时间桶”，通过这样的“时间桶”轨迹被分段；然后把轨迹段与热点区域进行匹配，在时间段[t_i,t_i+1]内轨迹T与候选热点区域R相交，移动对象在时间段[t_i,t_i+1]内经过了热点区域R；这条轨迹同时满足在区域内活动时间不小于阈值，该轨迹是热点区域的支持轨迹； 

以如下步骤实现： 

（1）寻找候选热点区域； 

（2）利用候选热点区域以及时间属性构建“R-T矩阵”，即热点区域-其所在的时间范围矩阵； 

（3）对轨迹数据集合T中的每条轨迹Ti，按照时间间隔分段。把轨迹划分为轨迹段的集合； 

（4）把轨迹段与热点区域进行匹配，如果时间约束对应的轨迹段和候选热点区域相交，则该轨迹为候选区域的支持轨迹，如果候选区域的支持轨迹不小于设定阈值，该区域为热点区域； 

（5）更新并输出移动对象热点区域集合R； 

具体方法如下： 

该具有时间约束的轨迹数据热点区域发现方法，首先从轨迹数据集合T中获取开始时间t_bengin和结束时间t_end.；其中t_bengin和t_end是相对时间，表示轨迹数据集合T所包含的所有轨迹的时间区间[t_bengin,t_end]，该时间区间[t_bengin,t_end]为“时间桶”，时间桶是通过对轨迹数据集合中的所有轨迹所做的统计而获得； 

然后利用候选热点区域以及时间属性构建“R-T矩阵”，“R-T矩阵”为热点区域-其所在的时间范围矩阵；通过矩阵，把热点区域与热点区域所在的时间范围有机结合在一起；即该方法中构建候选热点区域矩阵所用的createMatrix方法。 

接着对轨迹数据集合T中的每条轨迹Ti，按照时间间隔分段；每个时间间隔都与热点区域所在的时间范围相匹配，通过这样的“时间桶”把轨迹划分为轨迹段的集合； 

同时，对于“时间桶”内的每个轨迹段，a)如果该段与对应时间区间内的候选热点区域相交的轨迹点个数不为空，b)相交轨迹点的时间跨度不小于时间阈值t_s，c)这些轨迹点没有被筛选过，那么该轨迹为候选热点区域的支持轨迹，候选热点区域的支持数加1； 

在遍历完所有轨迹后，如果候选热点区域的支持度不小于热点区域支持度阈值，那么该热点区域为最终的热点区域之一； 

最后，更新热点区域的轨迹点数，以及热点区域的时间属性，时间属性包括对象进入时间和对象离开时间；算法中，

代表热点区域R_k中包含的轨迹点集合；判断和 

使得如果一条轨迹多次通过热点区域，那么该轨迹对该区域的支持数贡献只能是1。 

有益效果，由于采用了上述方案，对移动对象活动热点区域加上时间范围的限制，使得每个热点区域都是移动对象在指定时间段内活动的痕迹。在发现热点区域的时候首先需要利用移动对象数据库找到对象活动的高密度区域，称之为“候选热点区域”，然后在这些候选热点区域基础上，通过考察在指定时间段内通过这些区域的轨迹数量以及对象活动时间，由这三个指标最终确定热点区域的结果。热点区域及时间跨度与移动对象的周期活动行为有关，热点区域总是多个对象在指定时间段内在区域内活动的表现，从对象活动的 时间角度来看，热点区域具有时间周期性。 

为了更加准确的发现热点区域，通过“时间段”属性使得对象的运动情况与热点区域紧密联系起来。 

轨迹数据热点区域包含地理位置，对象停留时间，区域时间约束三个方面的属性，该方法对热点区域的定义进行扩展，使得能全面满足三方面的约束；候选热点区域具有时间约束，对轨迹按时间分段，如果时间约束对应的轨迹段和候选热点区域相交，则该轨迹为候选区域的支持轨迹，如果候选区域的支持轨迹不小于设定阈值，该区域为热点区域。 

解决了现有热点区域发现方法主要考虑的是空间位置的聚集，在时间维度上则考虑得较少的问题，达到位本发明的目的。 

优点：该方法候选热点区域具有时间约束；在进行热点区域发现的时候，区域的时间属性是必须要考虑的因素之一，从时间和空间两个不同的维度上考虑。最终热点区域的发现更加准确有效。 

附图说明

图1为本发明算法流程图。 

图2为本发明第二实施例算法流程图。 

图3为本发明第二实施例算法“R-T”矩阵图。 

图4为本发明第三实施例流程图。 

图5本发明第三实施例按照时间划分轨迹图。 

具体实施方式

实施例1：一种包含“时空”因素的热点区域的方法，使热点区域具有时间约束；该方法中，利用候选热点区域以及时间属性构建“R-T矩阵”，通过这样的矩阵，把热点区域与热点区域所在的时间范围有机结合在一起；把轨迹按照时间间隔分段，每个时间间隔都与热点区域所在的时间范围相匹配构成“时间桶”，通过这样的“时间桶”轨迹被分段；然后把轨迹段与热点区域进行匹配，在时间段[t_i,t_i+1]内轨迹T与候选热点区域R相交，移动对象在时间段[t_i,t_i+1]内经过了热点区域R；这条轨迹同时满足在区域内活动时间不小于阈值，该轨迹是热点区域的支持轨迹； 

以如下步骤实现： 

（1）寻找候选热点区域； 

（2）利用候选热点区域以及时间属性构建“R-T矩阵”，即热点区域-其所在的时间范围矩阵； 

（3）对轨迹数据集合T中的每条轨迹Ti，按照时间间隔分段。把轨迹划分为轨迹段 的集合； 

（4）把轨迹段与热点区域进行匹配，如果时间约束对应的轨迹段和候选热点区域相交，则该轨迹为候选区域的支持轨迹，如果候选区域的支持轨迹不小于设定阈值，该区域为热点区域； 

（5）更新并输出移动对象热点区域集合R。 

具体方法如下： 

该具有时间约束的轨迹数据热点区域发现方法，首先从轨迹数据集合T中获取开始时间t_bengin和结束时间t_end.；其中t_bengin和t_end是相对时间，表示轨迹数据集合T所包含的所有轨迹的时间区间[t_bengin,t_end]，该时间区间[t_bengin,t_end]为“时间桶”，时间桶是通过对轨迹数据集合中的所有轨迹所做的统计而获得； 

然后利用候选热点区域以及时间属性构建“R-T矩阵”，“R-T矩阵”为热点区域-其所在的时间范围矩阵；通过矩阵，把热点区域与热点区域所在的时间范围有机结合在一起；即该方法中构建候选热点区域矩阵所用的createMatrix方法。 

接着对轨迹数据集合T中的每条轨迹Ti，按照时间间隔分段；每个时间间隔都与热点区域所在的时间范围相匹配，通过这样的“时间桶”把轨迹划分为轨迹段的集合； 

同时，对于“时间桶”内的每个轨迹段，a)如果该段与对应时间区间内的候选热点区域相交的轨迹点个数不为空，b)相交轨迹点的时间跨度不小于时间阈值t_s，c)这些轨迹点没有被筛选过，那么该轨迹为候选热点区域的支持轨迹，候选热点区域的支持数加1； 

在遍历完所有轨迹后，如果候选热点区域的支持度不小于热点区域支持度阈值，那么该热点区域为最终的热点区域之一； 

最后，更新热点区域的轨迹点数，以及热点区域的时间属性，时间属性包括对象进入时间和对象离开时间；算法中，

代表热点区域R_k中包含的轨迹点集合；判断

和 使得如果一条轨迹多次通过热点区域，那么该轨迹对该区域的支持数贡献只能是1。 

实施例2：第二实施例算法，以如下步骤实现： 

1.利用候选热点区域以及时间属性构建“R-T矩阵”；2.对轨迹数据集合中的每条轨迹，按照时间间隔分段。把轨迹划分为轨迹段的集合。 

1.构建“R-T矩阵”，以如下步骤实现： 

（1）.获取候选热点区域集合R的数目。 

（2）.定义一个二维数组A[N_t][N_R]。 

（3）.遍历所有热点区域和时间区间，如果热点区域R_j的时间范围与时间区间[t_i,t_i+1]相交，则设置矩阵A[i][j]为1。（其中，矩阵的每一行表示在该时间段内的候选热点区域，每一列表示候选热点区域所横跨的大致时间范围，通过把对候选热点区域按照时间排列，可以得到一个大概的轨迹模式。） 

（4）.返回这个二维数组。 

具体方法如下： 

方法createMatrix用于构建候选热点区域的矩阵，矩阵的一维表示候选热点区域，另一维表示时间。候选区域是一系列空间上相邻的点的集合，候选区域R_j＝{(p_j,0,t_j,0),(p_j,1,t_j,1),...,(p_j,k,t_j,k}，其中k是候选区域R_j中轨迹点的个数，这些轨迹点可能来自不同的轨迹，每个候选区域中的点都有一个时间范围[t_j,0,t_j,k]，显然，这些候选热点区域所在的时间区间可能有交叉，如果热点区域R_j的时间范围与时间区间[t_i,t_i+1]相交，则设置矩阵A[i][j]为1，(6)-(9)，如图2，矩阵的每一行表示在该时间段内的候选热点区域，每一列表示候选热点区域所横跨的大致时间范围，通过把对候选热点区域按照时间排列，可以得到一个大概的轨迹模式。该矩阵把候选热点区域与时间属性有机集合成为一个整体，与过程partitionTraj产生的按时间段划分的轨迹段结合，用于判断候选热点区域在时间段内的支持轨迹数。 

实施例3：第三实施例算法，以如下步骤实现： 

（1）.按照时间分区大小为粒度对数据集中轨迹的起止时间做分区，每个区间构成一个划分轨迹的“时间桶”，如图5； 

（2）.对于轨迹中的每个点，如果该点的时间t_p落在第i个区间中，那么把该点加入到定制的第i个时间桶中； 

（3）.每个“时间桶”中的轨迹点按照时间顺序升序排列。 

（4）.轨迹段集合数组T_arr。 

具体方法如下： 

方法partitionTraj的主要作用是把轨迹按照时间属性进行分段，通过方法需要以待分段轨迹，轨迹样本集合中所有轨迹的起止时间以及时间分区大小为参数。 

显然，利用“时间桶”轨迹被分割成了轨迹段的集合，这样的轨迹段代表对象在轨迹段所在“时间桶”对应的时间区间内的运动情况，通过这样的划分，就可以从时间层面上掌握对象的运动情况，实现轨迹的时间属性参与热点区域的轨迹支持数的统计。方法最后返回每条轨迹在时间属性上的划分结果。 

Claims (1)

1.一种具有时间约束的轨迹数据热点区域的方法，其特征是：一种包含“时空”因素的热点区域的方法，使热点区域具有时间约束；该方法中，利用候选热点区域以及时间属性构建“R-T矩阵”，通过这样的矩阵，把热点区域与热点区域所在的时间范围有机结合在一起；把轨迹按照时间间隔分段，每个时间间隔都与热点区域所在的时间范围相匹配构成“时间桶”，通过这样的“时间桶”轨迹被分段；然后把轨迹段与热点区域进行匹配，在时间段[t_i,t_i+1]内轨迹T与候选热点区域R相交，移动对象在时间段[t_i,t_i+1]内经过了热点区域R；这条轨迹同时满足在区域内活动时间不小于阈值，该轨迹是热点区域的支持轨迹；

以如下步骤实现：

（1）寻找候选热点区域；

（2）利用候选热点区域以及时间属性构建“R-T矩阵”，即热点区域-其所在的时间范围矩阵；

（3）对轨迹数据集合T中的每条轨迹Ti，按照时间间隔分段。把轨迹划分为轨迹段的集合；

（4）把轨迹段与热点区域进行匹配，如果时间约束对应的轨迹段和候选热点区域相交，则该轨迹为候选区域的支持轨迹，如果候选区域的支持轨迹不小于设定阈值，该区域为热点区域；

（5）更新并输出移动对象热点区域集合R；

具体方法如下：

该具有时间约束的轨迹数据热点区域的方法，首先从轨迹数据集合T中获取开始时间t_bengin和结束时间t_end.；其中t_bengin和t_end是相对时间，表示轨迹数据集合T所包含的所有轨迹的时间区间[t_bengin,t_end]，该时间区间[t_bengin,t_end]为“时间桶”，时间桶是通过对轨迹数据集合中的所有轨迹所做的统计而获得；

然后利用候选热点区域以及时间属性构建“R-T矩阵”，“R-T矩阵”为热点区域-其所在的时间范围矩阵；通过矩阵，把热点区域与热点区域所在的时间范围有机结合在一起；即该方法中构建候选热点区域矩阵所用的createMatrix方法；

接着对轨迹数据集合T中的每条轨迹Ti，按照时间间隔分段；每个时间间隔都与热点区域所在的时间范围相匹配，通过这样的“时间桶”把轨迹划分为轨迹段的集合；

同时，对于“时间桶”内的每个轨迹段，a)如果该段与对应时间区间内的候选热点区域相交的轨迹点个数不为空，b)相交轨迹点的时间跨度不小于时间阈值t_s，c)这些轨迹点没有被筛选过，那么该轨迹为候选热点区域的支持轨迹，候选热点区域的支持数加1；

在遍历完所有轨迹后，如果候选热点区域的支持度不小于热点区域支持度阈值，那么该热点区域为最终的热点区域之一；

最后，更新热点区域的轨迹点数，以及热点区域的时间属性，时间属性包括对象进入时间和对象离开时间；算法中，

代表热点区域R_k中包含的轨迹点集合；判断

和使得如果一条轨迹多次通过热点区域，那么该轨迹对该区域的支持数贡献只能是1。

Images