张逸凡 赵 斌 孙鸿艳 谈 超 吉根林

(南京师范大学计算机科学与技术学院, 南京，210023)

引 言

卫星定位和移动互联技术的日趋成熟催生了海量的时空轨迹数据。它们真实记录了移动对象的运动行为特征，包括位置、时间、方向和速度等属性。采集并分析移动对象群体(简称群体)的轨迹数据，可以有效地揭示群体运动的行为规律和常见模式。所以时空轨迹的群体模式挖掘是一个具有理论意义和应用价值的研究课题。通常，时空轨迹模式分为共现模式、伴随模式、聚集模式、频繁模式和异常模式等[1,2]。本文主要研究时空轨迹的聚集模式挖掘问题。2005年，由Laube等首次提出了定义移动对象运动模式的REMO模型[3]，其中定义了基于时空维度的聚集模式，即Aggregation模式。该模式规定在单个时间片中存在足够多的面向同一圆形区域运动的移动对象，且运动的方向向量都与该圆形区域相交，最终通过计算各方向向量延长线的交点来识别聚集模式。2013年，郑凯等提出了聚集模式Gathering[4,5]，并总结了聚集模式的5种特征，分别是规模性、密集性、持久性、静态性、专一性。Gathering模式由至少个连续时刻的密集快照构成，同时要求至少个参与者(Participator)必须在不低于个密集快照(可以不连续)中出现。Gathering模式的优点是放松了参与者必须在连续密集快照中出现的要求，在保证足够参与性的同时也兼顾了每个时刻的对象密集性，这更适合实际的应用场景。2015年，郑宇等研究基于STG图 (Spatio-temporal graph)的聚集模式。他们通过分析人群的移动行为发现城市中的黑洞模式[6]。……