薛 璇 陈平华

（广东工业大学计算机学院 广州 510006）

1 引言

随着现如今人们在社区间的轨迹日渐增多，通过轨迹来检测社区对于社会行为分析和推荐服务都成为关注热点，所以对检测社区的精确度要求越来越高。现有的研究侧重于社会联系和图分区中的社区检测，但在实践中，由于隐私问题，现实生活中的生活联系很难被捕捉。不过，我们可以利用Wi-Fi 和 GPS 设备捕捉人类行为轨迹［1～2］。为了更好地检测轨迹中可能存在的社区，对检测的精确度要求越来越高。一般地，社区检测通常通过聚类来实现，轨迹聚类的目的是从一组运动物体的轨迹中识别聚类，其中特定聚类中的轨迹在一个或多个运动相关特征中表现出相似性［3］。轨迹数据的示例包括车辆位置数据，动物移动数据和人类行为跟踪数据。 因此，对于轨迹数据集执行数据挖掘和行为分析的研究越来越受欢迎［4］。

现有研究通过将共享位置视为社区关系的唯一决定因素，可能错过真实关系或者可能错误地识别不存在的社区。在社交图社区检测文献［5］中，社区通常定义在基于链接的图上，捕获直接的成对交互；由于隐私问题或技术限制，这种明确的交互标记显然难以在许多实际环境中直接获得。Zhou等［1］对物理世界中的三种人类行为轨迹集进行分析，提出基于轨迹多源扩散模型社区检测（Trajectory-based community detection by diffusion modeling on multiple information sources，TODMIS）算法，通过对轨迹数据集四个维度（语义、空间、时间、速度）的建模，将附加信息与原始轨迹数据相结合，并在多个相似性度量上构建扩散过程，在耦合的多图上发现不同社区的集合（包括社区大小），并使用不同的真实数据集进行评估，实验结果证明了该方法的有效性。……