轨迹数据挖掘

这篇综述文章由郑宇撰写，深入探讨了轨迹数据挖掘的相关主题。

利用GPS数据与图像数据相结合，开展时空数据挖掘。

轨迹数据挖掘涉及从轨迹数据中提取行为模式和规律，应用于事故调查、群体跟踪等领域。主要技术包括：伴随模式挖掘与频繁模式挖掘。 伴随模式挖掘：通过提取伴随的移动对象，分析对象群体行为。例如，分析时空环境中对象的群体特征，识别Flock, Convoy, Swarm, Gathering等模式。此技术对群体行为的识别有重要应用。 频繁模式挖掘：主要从大规模轨迹数据中发现频繁时序模式。这些模式在旅游推荐、生活模式挖掘、地点预测等方面有广泛应用。具体方法包括： 基于简单分段的轨迹挖掘方式 基于聚类的兴趣区域挖掘方式 基于路网匹配的频繁模式挖掘方式 算法方面，频繁模式挖掘通常使用以下两种算法：- 基于Apriori算法的模式挖掘：适用于频繁项集和时序数据的挖掘。- 基于树结构的模式挖掘：优化了复杂模式的高效挖掘。 通过这些挖掘技术，轨迹数据的应用涵盖广泛，从用户行为预测到位置推荐，轨迹数据挖掘的技术正在不断拓展。

针对周期行为挖掘中时空数据采样频率不确定、数据稀疏和时空数据噪声等问题，采用GMPF（GPS Multi-Periodic Find）算法探索用户的周期模式。该方法首先将用户轨迹序列转换为兴趣点集合，然后针对每个兴趣点进行周期挖掘。在微软亚洲研究院的Geolife项目中，利用182名用户4年的GPS数据进行了验证实验，证明了该方法的有效性，对数据噪声和稀疏性具有较好的适应性。

针对海量用户轨迹数据，该研究提出了一种名为PRED的动态轨迹模式分析和位置预测方法。PRED方法首先利用改进的模式挖掘模型从轨迹数据中提取频繁模式（T-模式）。随后，该方法使用DPTUpdate算法构建名为DPT（dynamic pattern tree）的快捷数据结构，该结构蕴涵时空信息，用于存储和查询移动对象的T-模式。最后，PRED方法通过Prediction算法计算最佳匹配度，预测移动对象的轨迹位置。基于真实数据集的对比实验结果表明，PRED方法能够提供动态分析能力，其平均准确率达到72%，平均覆盖率达到92.1%，相较于现有方法，预测效果显著提升。

苏州大学莙政学者探究数据索引与轨迹推荐的关联，深入分析数据结构、算法优化、隐私保护等关键技术。论文为相关领域研究提供理论基础和应用指导。

用户轨迹数据包含经度、纬度、高度、时间以及是否连续等要素。轨迹数据涵盖范围广泛，且时间采样频率较高。

利用 comet 函数展示二维和三维线运动轨迹：- 二维线：余弦和正弦函数的平方和- 三维线：余弦和正弦函数的平方和，z 轴为时间轴

此存储库包含用于Matlab的灰度处理和细胞跟踪的源代码。该程序支持荧光或暗场电影的处理，以及相衬电影的跟踪。兼容Matlab 2018a及更早版本，支持'.tif'堆栈和'.nd2'文件格式。还提供适用于Linux的版本。

惯导轨迹标准值（空中盘旋）和陀螺仪及加速度计值数据，内含MATLAB分析程序。对于进行惯导解算及组合导航研究有帮助。