基于時空軌跡大數(shù)據(jù)的群體行為模式挖掘分析關(guān)鍵技術(shù).pdf

1、異構(gòu)時空軌跡大數(shù)據(jù)的動態(tài)語義融合、廣域網(wǎng)分布式數(shù)據(jù)存儲環(huán)境下基于全量時空軌跡大數(shù)據(jù)和增量時空軌跡大數(shù)據(jù)的快速挖掘計算等是大數(shù)據(jù)挖掘分析的關(guān)鍵科學問題。本論文結(jié)合公共安全領(lǐng)域?qū)θ后w行為模式挖掘分析的典型應(yīng)用需求，開展基于時空軌跡大數(shù)據(jù)的群體行為模式挖掘與分析等關(guān)鍵技術(shù)研究，創(chuàng)新性工作主要體現(xiàn)在:
　　(1)局域網(wǎng)集中數(shù)據(jù)存儲環(huán)境的異構(gòu)大數(shù)據(jù)語義融合。基于局域網(wǎng)集中存儲的異構(gòu)時空軌跡大數(shù)據(jù)，考慮公共語義參考模型難以預先設(shè)定的典型問題，

2、提出基于MapReduce和ACO(Ant Colony Optimization)算法的并行化異構(gòu)大數(shù)據(jù)語義聚類融合方法PACO(Parallel Ant Colony Optimization)，通過MapReduce實現(xiàn)聚類運算關(guān)鍵步驟的并行化執(zhí)行，通過聚類運算過程自適應(yīng)地生成聚類中心，實現(xiàn)公共語義參考模型的自動生成和聚類運算的高速執(zhí)行。
　　(2)廣域網(wǎng)分布式數(shù)據(jù)存儲環(huán)境的異構(gòu)大數(shù)據(jù)語義融合?；趶V域網(wǎng)分布式存儲的異構(gòu)時空

3、軌跡大數(shù)據(jù)，面向數(shù)據(jù)源端節(jié)點動態(tài)變化典型問題和群體行為模式挖掘典型應(yīng)用，提出基于MapReduce的廣域網(wǎng)分布式并行計算框架DPF(Distributed& ParallelFrame);為解決廣域網(wǎng)分布式數(shù)據(jù)存儲環(huán)境下面向特定應(yīng)用需求的異構(gòu)時空軌跡數(shù)據(jù)元動態(tài)語義融合問題，基于DPF框架，提出改進的kmeans算法DPKM(Distributed&Parallel kmeans)，實現(xiàn)聚類運算的廣域網(wǎng)分布式并行執(zhí)行，通過分布計算避免移動

4、時空軌跡大數(shù)據(jù)，大大降低運算總時間，提高運算效率。
　　(3)基于時空軌跡大數(shù)據(jù)的群體行為模式挖掘。面向廣域網(wǎng)分布式數(shù)據(jù)存儲環(huán)境，考慮廣域網(wǎng)分布式數(shù)據(jù)存儲環(huán)境下基于全量時空軌跡大數(shù)據(jù)的群體行為模式挖掘問題，基于時空軌跡大數(shù)據(jù)總量巨大、分布式存儲、移動成本高等典型特征，提出基于DPF框架的改進ACO算法DPACO(Distributed& Parallel Ant Colony Optimization)，實現(xiàn)特征群體及其行為模式的

5、自適應(yīng)發(fā)現(xiàn)，通過分布計算避免移動時空軌跡大數(shù)據(jù)，大大縮減運算總時間;基于全量時空軌跡大數(shù)據(jù)的聚類運算，避免通過數(shù)據(jù)抽樣或降維來降低數(shù)據(jù)規(guī)模對聚類結(jié)果產(chǎn)生影響，保持聚類準確性。
　　(4)基于增量時空軌跡大數(shù)據(jù)的群體行為模式挖掘。面向廣域網(wǎng)分布式數(shù)據(jù)存儲環(huán)境下時空軌跡數(shù)據(jù)總量和一定周期內(nèi)增量都是大數(shù)據(jù)的新特征，針對廣域網(wǎng)分布式數(shù)據(jù)存儲環(huán)境下基于增量時空軌跡大數(shù)據(jù)的群體行為模式挖掘問題，提出基于DPF框架的改進ACO算法DPIACO(