[发明专利]基于出租车时空轨迹的群体运动移动簇模式排序方法

权利要求书

1.一种基于出租车时空轨迹的群体运动移动簇模式排序方法，其特征在于：包括以下步骤：

(1)构建出租车移动簇-兴趣点二部图，具体包括以下方法：

(1.1)获取出租车移动簇的集合MC，MC＝{mc₁，…，mc_n}；

(1.2)获取挖掘出租车移动簇所使用的数据集所有的兴趣点集合POI，POI＝{poi₁，…，poi_l}；

(1.3)构建出租车移动簇和兴趣点关系的二部图；

(1.4)二部图构建成功，采用邻接矩阵M_MC·POI的形式来存储出租车移动簇和兴趣点的关系；

(2)基于重启式随机游走模型对出租车移动簇进行重要性排序，具体方法如下：

(2.1)对于步骤(1)中得到的出租车移动簇与兴趣点之间关系的邻接矩阵M_MC·POI，计算得到其相应的转置矩阵

(2.2)利用M_MC·POI和构建转移概率矩阵

(2.3)对转移概率矩阵M进行行归一化处理，对每一条边e_ij，行归一化后的值为

其中，w(e_ij)表示边e_ij上的权重，即出租车移动簇i和兴趣点j之间的关联度，∑_kw(e_kj)表示所有边e_kj的权重之和，即出租车移动簇与所有兴趣点之间的关联度总和，k为转移概率矩阵M的第k行，1≤k≤n+l，1≤i≤n+l，1≤j≤n+l；

(2.4)初始化列向量p和q，p向量中的每个元素置为0，q中的元素置为其中，向量p和q的长度均为n+l，n为所有出租车移动簇的数目，l为兴趣点的数目；

(2.5)利用公式p^(t+1)＝(1-α)·M·p^(t)+α·q进行迭代计算，其中t为迭代次数，此处迭代终止的条件为：||p^(t+1)||₁-||p^(t)||₁＜ε；

其中，p^(t)、p^(t+1)和q是列向量，p^(t)表示第t步图中的顶点概率分布，列向量q中设置目标移动簇顶点值为1，其余为0，M是转移概率矩阵；α为直接回到出发顶点的概率即重启概率；

(2.6)将迭代终止后向量p中兴趣点的重要性得分去掉，剩下的即为每个出租车移动簇的重要性得分，以重要性得分由高到低进行排序，所得结果即为出租车移动簇的重要性排序结果；

所述步骤(1.3)的具体方法为：

所构建出租车移动簇和兴趣点二部图为MC-POI二部图G＝{MC∪POI，E}，

其中，MC＝{mc₁，…，mc_n}，代表从出租车时空轨迹数据中利用出租车 移动簇模式挖掘算法所挖掘出结果中的所有出租车移动簇的集合，POI＝{poi₁，…，poi_l}为出租车移动簇模式挖掘算法所使用数据集中的兴趣点的集合，E＝{(mc，poi)|mc∈MC，poi∈POI}，是出租车移动簇和兴趣点之间关系的有穷集合；令e_ij∈E表示出租车移动簇mc_i到兴趣点poi_j的关系；

对于每一个出租车移动簇mc_i，其空间属性中包含一个中心点或多个中心点的序列，若一个出租车移动簇的中心点在一定的邻域半径γ范围内被很多poi兴趣点覆盖，则认为该出租车移动簇是重要的，且该出租车移动簇和覆盖该出租车移动簇的poi兴趣点有联系，在出租车移动簇和兴趣点的关系二部图上它们之间有一条边；

若某个poi兴趣点在邻域半径γ范围内，覆盖很多出租车移动簇的中心点，则认为该poi兴趣点是重要的，且该poi兴趣点和这些出租车移动簇有联系；在出租车移动簇和兴趣点的关系二部图的表示形式中，它们之间也存在一条边；

上述出租车移动簇和兴趣点的关系MC-POI二部图存储于矩阵M_MC·POI中，且二部图所有边上的权重都为1，表示初始状态下所有的出租车移动簇和兴趣点的关联度是相等的；

所述步骤(1.3)具体方法为：

所构建出租车移动簇和兴趣点的关系二部图为MC-POI二部图G，G＝{MC∪POI，E}；

其中MC＝{mc₁，…，mc_n}代表从出租车时空轨迹数据中利用出租车移动簇模式挖掘算法所挖掘出结果中的所有出租车移动簇的集合，POI＝{pof₁，…，poi_l}为出租车移动簇模式挖掘算法所使用数据集中的兴趣点的集合，E＝{(mc，poi)|mc∈MC，poi∈POI}，是出租车移动簇和兴趣点之间关系的有穷集合；令e_ij∈E表示出租车移动簇mc_i到兴趣点poi_j的关系；

对于每一个出租车移动簇mc_i，其空间属性中包含一个中心点或多个中心点的序列，若一个出租车移动簇的中心点在一定的邻域半径γ范围内被很多poi兴趣点覆盖，则认为该出租车移动簇是重要的，且该出租车移动簇和覆盖该移动簇的poi兴趣点有联系，在二部图上它们之间有一条边；

若某个poi兴趣点在邻域半径γ范围内，覆盖很多出租车移动簇的中心点，则认为该poi兴趣点是重要的，且该poi兴趣点和这些出租车移动簇有联系；在二部图的表示形式中，它们之间也存在一条边；

上述出租车移动簇和兴趣点的关系MC-POI二部图存储于矩阵M_MC·POI，且将每一个出租车移动簇的持续时间作为权重赋值给予与该出租车移动簇有关联的兴趣点POI所连成的边，所述持续时间即一个出租车移动簇它在某个兴趣点POI附近停留的时间，该停留的时间越长，其在二部图的边上所占的权重就越大。

2.根据权利要求1所述的基于出租车时空轨迹的群体运动移动簇模式排序方法，其特征在于：所述步骤(2.5)中ε取值为0.0001。