时空数据挖掘

摘要： 随着移动互联网的快速发展,许多利用手机App打车的网约车平台也应运而生.这些网约车平台大大减少了网约车的空驶时间和乘客等待时间,从而提高了交通效率.作为平台核心模块,网约车路径规划问题致力于调度空闲的网约车以服务潜在的乘客,从而提升平台的运营效率,近年来受到广泛关注.现有研究主要采用基于值函数的深度强化学习算法(如deep Q-network,DQN)来解决这一问题.然而,由于基于值函数的方法存在局限,无法应用到高维和连续的动作空间.提出了一种具有动作采样策略的执行者-评论者(actor-critic with action sampling policy,AS-AC)算法来学习最优的空驶网约车调度策略,该方法能够感知路网中的供需分布,并根据供需不匹配度来确定最终的调度位置.在纽约市和海口市的网约车订单数据集上的实验表明,该算法取得了比对比算法更低的请求拒绝率.

摘要： 基于手机信令数据,以常住人口为研究对象,以区县为基本单元,刻画中国人口的分布特征,分析中国人口集聚程度和流动特点,探索中国人口空间分布的影响因素。研究发现:中国人口空间格局呈现出南方、东部地区及长三角城市群高集聚度的基本特征;流动人口主要分布在“胡焕庸”线东南侧,向核心城市和城市群集中,呈片状分布格局;经济规模、平均收入水平、第三产业占比和交通联通度对于区域人口的流入具有正向促进作用。

摘要： 山体滑坡每年都会对人们的生命财产安全造成重大损失,是常见的地质灾害之一。为了对山体滑坡进行防控,需要广泛地监测山体表面的沉降过程,但是由于恶劣气候和监测成本等难以克服的困难,山体沉降数据的收集呈现出局部数据不完整、数据采样不均衡和监测点动态变化等特点,使得山体滑坡的防控研究受到阻碍,给数据的采集和分析工作提出了新的要求。现有方法从空间角度对缺失进行补充,但忽略了时间维度的依赖关系。为了解决上述问题,对不完整的INSAR数据填充进行了研究,利用时空掩码矩阵对时空依赖关系进行建模,利用多头注意力对多层次的空间关系进行综合学习,并在克里金法(Kriging)的基础上提出了新的使用时空注意力的克里金插值法,实现了对复杂时空特征的深层理解。在真实数据集上的数据恢复实验验证了该算法可以有效地学习复杂的时空特征,并在3种不同的数据缺失情景下都取得了优于现存插值算法的表现。

摘要： 出行时间预测是智慧交通系统中的一项基本任务,因其时空关系复杂且易受到外部因素影响而充满了挑战性.为了获得准确的预测结果,提出一种将深度学习与元学习结合进行出行时间预测的方法 .该方法由时空网络模型和元学习框架组成,时空网络模型利用卷积神经网络和门控循环单元同时对轨迹及周边区域的交通状况进行时空信息的提取,元学习框架则用于从其他城市学习时空网络模型的通用初始化参数,并将其应用在目标城市中.在两个真实数据集上进行了实验,实验结果证明提出的方法优于现有方法 .

摘要： 库岸边坡失稳会对工程自身效益和周边安全造成巨大损失,而位移监测数据可以直接表征库岸边坡安全状况。传统变形位移分析一般仅考虑单个监测点,不同监测点之间位移的相似性和关联性有待挖掘。基于时空数据挖掘领域的聚类方法,综合考虑测点属性和空间特征,采用K-means算法度量测点间的相似程度,实现变形区域划分;在变形区域划分基础上,采用遗传算法优化的投影聚类算法,将高维数据向低维空间映射,通过提取测点数据特征,筛选得到重点关注的测点和压缩数据量。经实例工程数据验证,时空聚类挖掘方法便捷、有效,逐步实现了边坡位移监测数据约简,可用于类似库岸边坡的监测数据挖掘。

摘要： 随着全球定位系统(GPS)等定位设备的普及,用户可方便地记录其GPS轨迹,这使得自动从用户的GPS轨迹中发现兴趣地点(POI)(如餐厅、商场、景点)并在用户之间进行推荐成为可能.因此,本文提出了一种基于GPS轨迹挖掘的兴趣地点个性化推荐方法.该方法与现有主流的兴趣地点推荐平台具有以下不同:首先,现有平台假设兴趣地点是事先已知的,而该方法通过一个层次化聚类算法从用户GPS轨迹中自动挖掘兴趣地点.其次,现有平台的推荐模式为平台向用户推荐,因此仅考虑了用户的偏好,忽略了用户之间的社交关联对推荐效果的影响.针对此问题,该方法基于用户交叠访问行为计算用户之间的社交信任度,基于用户访问行为的相似性计算其对兴趣地点偏好的相似度,在此基础上提出了一种能够融合用户信任度和相似度的评分算法.文本基于真实GPS轨迹数据对提出的方法进行了评测,实验结果表明,本文所提方法的综合推荐性能明显优于简单的基于访问数量的推荐方法、仅基于用户信任度的推荐方法及仅基于偏好相似度的推荐方法.

摘要： 基于地理位置信息的应用和服务的迅速发展,对轨迹数据挖掘提出了新的需求和挑战.原始轨迹数据通常是由坐标-时间戳元组构成的有序序列,而现有的大多数数据分析算法均要求输入数据位于向量空间中.因此,为了将轨迹数据从变长的坐标-时间戳序列转化成定长的向量表示且保持原有的特征,对轨迹数据进行有效的表示是十分重要且必要的一步.传统的轨迹表示方法大多是基于人工设计特征,通常仅将轨迹表示作为数据预处理的一部分.随着深度学习的兴起,这种从大规模数据中学习的能力使得基于深度学习的轨迹表示方法相比于传统方法取得了巨大的效果提升,并赋予了轨迹表示更多的可能性.对轨迹表示领域中的研究进展进行了全面的总结,将轨迹表示按照研究对象的不同尺度,归纳为对轨迹单元的表示和对整条轨迹的表示两大类别,并在每种类别下对不同原理的方法进行了对比分析.其中重点分析了基于轨迹点的表示方法,也对近年来广泛使用的基于神经网络的轨迹表示的研究成果做了系统的归类.此外,介绍了基于轨迹表示的关键应用,最后对轨迹表示领域的未来研究方向进行了展望.

摘要： 面向旅游社交媒体大数据的分析和挖掘,该文提出一种旅游领域多主题情感词典的构建方法:首先,通过自然语言处理、机器学习,快速提取景区评价数据中旅游主题及其情感倾向,然后基于旅游多主题字典定义覆盖景区9类主题及细粒度种子主题词,最后针对景区情感倾向分析问题,根据词共现模型筛选与主题词典构成搭配的情感词,构建面向旅游领域的多主题情感词典。以海南省A级景区为例,基于上述构建的旅游领域多主题情感词典和景区网络关注度计算结果,对游客评论文本进行信息挖掘,并进一步结合GIS时空数据挖掘及网络关注度分析等方法,分析研究区域旅游景区游览信息的时空分布特征。结果表明,该文方法能有效监测景区各项主题的好评程度时空变化,验证了该方法的实用性和有效性。

摘要： 针对多步交通流量预测任务中时间空间特征提取效果不佳和预测未来时间交通流量精度低的问题,提出一种基于长短时记忆(LSTM)网络、卷积残差网络和注意力机制的融合模型.首先,利用一种基于编解码器的架构,通过在编解码器中加入LSTM网络来挖掘不同尺度的时间域特征;其次,构建基于注意力机制挤压激励(SE)模块的卷积残差网络嵌入到LSTM网络结构中,从而挖掘交通流量数据中的空间域特征;最后,将编码器中获得的隐状态下的信息输入到解码器中,实现高精度多步交通流量的预测.基于真实交通数据进行实验测试和分析,实验结果表明,相较于原始的基于图卷积的模型,所提模型在北京和纽约两个交通流量公开数据集上的均方根误差(RMSE)分别获得了1.622和0.08的下降.所提模型能够高效且精确地对交通流量作出预测.

摘要： 在众多数据挖掘的方法中,用来分析事物之间内在关系的挖掘方法是关联规则挖掘方法.从三个维度来描述时空大数据,这三个维度体现在时间、空间、专题方面,把三个维度的数据结合在一起,使其具有更新快速,多源、海量的综合特点.具有动态性、多维性等复杂因素的时空数据由于内在的关联关系成为数据挖掘的一个新的研究方向.时空数据包含对象、过程、事件在空间、时间、语义等方面的关联关系.目前来说,关于时空数据的关联规则挖掘主要集中于时空数据的多维性研究,然而却缺乏对时空数据自身动态增长性的研究.文中首先介绍了时空数据、数据挖掘中的关联规则算法和个性化推荐算法的相关理论.对常用的关联规则算法FP-Growth、有序树(CAN-tree)、Apriori,在详细研究的基础上,进行了系统的分析.针对时空数据挖掘中的增量问题,提出了一种基于堆有序树的时空关联规则算法.按照两步走的思路对算法进行设计:第一步操作是时空数据的赋初值操作,时空数据的空间信息及时间信息首先被提取出来,再按区域对空间数据进行划分,并按时间衰减化对时间信息进行计算,对待处理的事务各项进行扩展.第二步操作利用有序树的数据结构对上一步初始化完成后的事务各项进行关联规则的挖掘.最后一步进行实验设计,实验的对比分析主要集中在两方面,在空间划分区域的级别上与增量数量的粒度上进行,算法的有效性得以验证.

摘要： 随着数字地球、电子政务、空间信息基础设施建设发展，如何有效利用空间信息来认知、预测和调控经济，客观上要求积极推动空间分析理论的技术转化。地理信息系统(GIS)为此已提供了空间数据管理和操作平台。本文讨论的是空间分析的一种——时空数据挖掘在国内生产企业政府监管中的研究和应用，重点探讨了监管过程中地理信息标准化、时空数据挖掘和空间决策支持。

摘要： 针对当前时空数据挖掘中常用数据模型具有较强应用指向性,通用性不强的问题,基于面向对象建模的思想,提出一种属性特征与时空关系一体化的时空数据模型,定义并详细给出了该模型的元素组成、信息范畴及元素间的相互关系,并以城市规划中地区建设变化为例验证此数据模型的有效性。

摘要： 流行社交位置是指大多数人日常生活中经常访问的位置,其广泛应用于推荐系统、定向广告应用等领域.随着基于位置的社交网络(Location-Based Social Network,LBSN)的迅速发展,流行社交位置的挖掘成为时空数据挖掘中的一个重要的研究热点.然而,现有的研究主要是从LBSN中挖掘流行社交位置,忽略了流行社交位置的时间因素,因此,文中提出了带有时间标签的流行社交位置发现算法.该算法首先量化LBSN数据集中的时间信息,得到个体用户带有时间标签的频繁社交位置集合,然后计算这些带时间标签的位置在群体用户中的流行度,并识别符合要求的带时间标签的流行社交位置.实验结果表明,该算法能够较为准确的发现带有时间标签的流行社交位置.

摘要： 本文利用数据挖掘技术从移动用户的时空行为轨迹当中挖掘用户移动序列模式,在移动通信、交通管理、基于位置服务等领域有着广泛的应用前景，由于移动环境网络资源珍贵、数据量大的特点,传统的序列模式挖掘方法在效率上很难满足需求，OSAF-tree算法基于投影的概念,只需要对数据库进行一遍扫描,就可以很好地处理移动序列模式的挖掘及其增量更新和迭代挖掘问题,这是一个非常高效的算法，与已有的方法相比,OSAF-tree算法在性能和I/O代价等方面都具有明显的优势。

摘要： 本文利用数据挖掘技术从移动用户的时空行为轨迹当中挖掘用户移动序列模式,在移动通信、交通管理、基于位置服务等领域有着广泛的应用前景，由于移动环境网络资源珍贵、数据量大的特点,传统的序列模式挖掘方法在效率上很难满足需求，OSAF-tree算法基于投影的概念,只需要对数据库进行一遍扫描,就可以很好地处理移动序列模式的挖掘及其增量更新和迭代挖掘问题,这是一个非常高效的算法，与已有的方法相比,OSAF-tree算法在性能和I/O代价等方面都具有明显的优势。

摘要： 本文利用数据挖掘技术从移动用户的时空行为轨迹当中挖掘用户移动序列模式,在移动通信、交通管理、基于位置服务等领域有着广泛的应用前景，由于移动环境网络资源珍贵、数据量大的特点,传统的序列模式挖掘方法在效率上很难满足需求，OSAF-tree算法基于投影的概念,只需要对数据库进行一遍扫描,就可以很好地处理移动序列模式的挖掘及其增量更新和迭代挖掘问题,这是一个非常高效的算法，与已有的方法相比,OSAF-tree算法在性能和I/O代价等方面都具有明显的优势。

摘要： 本文利用数据挖掘技术从移动用户的时空行为轨迹当中挖掘用户移动序列模式,在移动通信、交通管理、基于位置服务等领域有着广泛的应用前景，由于移动环境网络资源珍贵、数据量大的特点,传统的序列模式挖掘方法在效率上很难满足需求，OSAF-tree算法基于投影的概念,只需要对数据库进行一遍扫描,就可以很好地处理移动序列模式的挖掘及其增量更新和迭代挖掘问题,这是一个非常高效的算法，与已有的方法相比,OSAF-tree算法在性能和I/O代价等方面都具有明显的优势。

摘要： 本文利用数据挖掘技术从移动用户的时空行为轨迹当中挖掘用户移动序列模式,在移动通信、交通管理、基于位置服务等领域有着广泛的应用前景，由于移动环境网络资源珍贵、数据量大的特点,传统的序列模式挖掘方法在效率上很难满足需求，OSAF-tree算法基于投影的概念,只需要对数据库进行一遍扫描,就可以很好地处理移动序列模式的挖掘及其增量更新和迭代挖掘问题,这是一个非常高效的算法，与已有的方法相比,OSAF-tree算法在性能和I/O代价等方面都具有明显的优势。

摘要： 本文利用数据挖掘技术从移动用户的时空行为轨迹当中挖掘用户移动序列模式,在移动通信、交通管理、基于位置服务等领域有着广泛的应用前景，由于移动环境网络资源珍贵、数据量大的特点,传统的序列模式挖掘方法在效率上很难满足需求，OSAF-tree算法基于投影的概念,只需要对数据库进行一遍扫描,就可以很好地处理移动序列模式的挖掘及其增量更新和迭代挖掘问题,这是一个非常高效的算法，与已有的方法相比,OSAF-tree算法在性能和I/O代价等方面都具有明显的优势。

摘要： 本申请公开了一种基于数据挖掘的时空伴随关系分析方法和系统。基于同一双卡移动设备的IMEI识别码规则获得各个双卡移动设备IMEI信号数据库；当两个或者两个以上的基站捕获到多组在较短时间区间内上报的归属同一双卡移动设备的IMEI信号数据时，将该两个或者两个以上的基站认定为具有相邻关系的基站，从而构建具有相邻关系的相邻基站组；遍历目标基站及相邻基站组中的属于目标基站的相邻基站的IMEI信号数据，查找与目标对象IMEI识别码存在时间交互差值的交互对象IMEI识别码，进一步获得目标对象的伴随对象。该方案通过提取IMEI信号数据库和相邻基站组，利用目标基站和目标基站的伴随基站获取目标对象的伴随对象。

摘要： 本发明提供了一种基于时空大数据挖掘分析技术的影像解译优化方法。获取历史影像和矢量数据，构建影像解译样本库；构建深度残差全卷积网络，通过影像解译样本库对所述深度残差全卷积网络进行训练，确定第一解析影像；基于时空大数据分析挖掘结果对所述第一解析影像进行优化，确定目标解析影像。有益效果在于：本发明通过历史影像和矢量数据构建影像解译样本库，为深度神经网络模型提供了大量的高精度训练样本，提高了影像解译的精度。本发明还通过构建深度残差全卷积网络，实现自动标注，减少了人力消耗。最后通过时空大数据分析挖掘结果对所述解析影像进行优化，通过精确的要素分类，得到更高精度的解析影像。

摘要： 本发明公开了一种基于时空属性的实体竞争关系数据挖掘方法，将实体竞争关系探测与前沿的计算机技术相结合，克服了传统的竞争关系数据挖掘方法不考虑时空属性影响的缺点，科学的融合实体用户评论、实体用户评论时间和实体空间位置三大因素，科学精确的量化了实体间的竞争关系。本发明最终挖掘得到的实体竞争关系数据取值范围为[0,1]，有效解决了传统的竞争关系挖掘方法和竞争对手识别方法结果对于非技术人员无法理解，最终还需要人工处理和筛选的问题。

摘要： 本发明涉及一种基于北斗时空数据重构与数据挖掘的运载工具监管分析方法，是针对现有同类方法较难对偏移现象准确定位，缺少轨迹预测及实时监测与预警的技术问题。其要点是该方法对北斗时空数据进行重构，结合路网信息对北斗时空数据进行抽象；接着，结合通信基站泰森多边形的范围对抽象后的数据进行联合泰森多边形和路网信息的空间语义表达，实现北斗时空数据的空间粒度的划分；然后，结合设定的时间粒度，记录北斗对象随着时间变化而发生的空间变化的集合，实现北斗多粒度时空数据模型的构建；最后，对于具有一定相似性的对象，对对象的移动轨迹进行分析，通过对象的地理位置相似性将对象进行分类反映具有相同偏好的对象在地理位置的活动规律。

摘要： 本发明提供了基于数据挖掘的城市间大气污染物时空关联特征分析方法，涉及大气污染治理技术领域，旨在解决现有的方法中存在整体性弱、实用性差和鲁棒性低的问题，采用的技术方案是，利用数据挖掘中的序列模式挖掘技术作为城市间大气污染物时空关联特征的识别方法，然后基于复杂网络模型构建城市间污染物时空关联网络进行整体与要素特征量化；挖掘大气污染物数据，得到城市间的污染时空关联特征，基于数据挖掘的方法不需要额外的气象、地理数据，对大气污染物数据分布没有要求，对数据的缺失和异常不敏感；具有资源占用少、可解释性强、鲁棒性高等优势。

摘要： 本发明公开了一种基于数据挖掘驱动的城市固废时空管控效能评价方法，包括以下步骤：S1：获取固体废物的管理数据；S2：对固体废物的管理数据进行清洗和预处理，筛选效能标签，并计算评价指标量值；S3：构建TOPSIS评分模型，确定评价指标在各个时空状态的综合评分；S4：绘制动态热力图，进行可视化展示，完成城市固废时空管控效能评价。本发明利用网络爬虫技术从网络大数据中挖掘和补充管理大数据缺乏的标签信息，从而丰富数据源以及细化数据粒度，为城市固废区域管控效能评价的时空耦合和多效益测算提供数据支撑，再通过构建耦合碳排放量和环境风险多效益评价模型对城市固废时空管控效能进行综合性评价。

摘要： 本发明一种基于大数据挖掘的光伏高占比配网电压时空多维评估方法涉及的是一种光伏高占比配网电压时空的多维度评估方法，包括如下步骤：步骤1：通过获取光伏高占比配网数据，对数据进行预处理，包括数据标准化处理、异常数据辨识、异常数据重构。步骤2：使用基于K‑means的大数据挖掘技与特征提取技术，针对聚类目标和要求计算样本点与各簇中心间距离。步骤3：根据样本的时间特性和空间特性可以分别计算获得时间维度和空间维度的特征数据。步骤4：根据配网电压时空多维评估指标在全局无功电压中发挥的作用，采用熵值法和有序二元比较量化法的主客观相结合的指标赋权法对指标进行权重赋值。步骤5：运用改进模糊灰关联度评估法，准确评估配网电压状态。

摘要： 本发明提供了一种基于时空大数据挖掘分析技术的影像解译优化方法。获取历史影像和矢量数据，构建影像解译样本库；构建深度残差全卷积网络，通过影像解译样本库对所述深度残差全卷积网络进行训练，确定第一解析影像；基于时空大数据分析挖掘结果对所述第一解析影像进行优化，确定目标解析影像。有益效果在于：本发明通过历史影像和矢量数据构建影像解译样本库，为深度神经网络模型提供了大量的高精度训练样本，提高了影像解译的精度。本发明还通过构建深度残差全卷积网络，实现自动标注，减少了人力消耗。最后通过时空大数据分析挖掘结果对所述解析影像进行优化，通过精确的要素分类，得到更高精度的解析影像。

摘要： 本发明公开了一种基于时空数据挖掘的网约车客户征信方法，通过提取客户的历史订单信息，对客户进行信用历史分析、履行能力评估、身份特质刻画、偏好模式分析以及人脉关系图谱确定，对客户进行更为精准的信用评级，可将有限的网约车资源匹配给信用等级较高的客户。

摘要： 本申请公开了一种时空数据挖掘分析方法及其装置。其中该方法应用于获取具有相似时空特征的时空对象的场景，方法包括：从时空轨迹数据库中获取第一时空数据集和第二时空数据集；其中，第一时空数据集中包含第一时空对象及其第一时间范围和第一空间属性，第二时空数据集中包含第二时空对象及其第二时间范围和第二空间属性；根据第一时间范围、第一空间属性、第二时间范围和第二空间属性对整个时间范围和空间范围进行划分，生成多个时空范围的时空分区，并对每个时空分区内来自两个时空数据集内的时空对象进行计算，得到满足时间约束的空间k最近邻。本申请可以在分布式环境下实现时空k最近邻连接算法，可以支持任意空间数据类型的时空数据集。