[发明专利]一种基于大数据技术的时空数据关联分析方法

说明书

本发明涉及一种基于大数据技术的时空数据关联分析方法，在时空轨迹数据挖掘时，能够依据数据的空间和时间关系生成频繁项集，并且根据某一数据类型，其数据总量最小的集合循环生成所有频繁项集，将传统的数据挖掘分析算法的时间复杂度从O(n^n)提升至O(n)；通过优化挖掘频繁项集算法的输入参数，将频率改为频度，提升了数据分析的准确度；并且结合基于内存计算的大数据技术，极大的提升了时空轨迹数据的关联分析速度。本发明尤其适用于关联分析数据种类繁多，每类数据量特别大，且需要快速分析出数据关联结果的数据挖掘领域。

技术领域

本发明涉及一种时空数据关联分析方法，特别是指一种基于特定行业大数据，采用挖掘频繁项集算法对时空轨迹数据关联分析的方法。

背景技术

随着计算机技术的发展，各种分析方法现在已经很普遍的应用在了数据比较、数据统计、数据挖掘等领域中，然而传统的时空轨迹数据关联分析方法虽然逻辑比较简单但是比对、运行速度比较慢，效率不高，传统分析技术具体描述如下。

第一种比较典型的时空轨迹数据关联分析方法其具体步骤是在数据中提取一类需要关联的数据，循环该类数据列表，而后将需关联的数据分别逐一的与被关联数据进行对比，是否满足关联条件，并逐一反馈对比结果。因此当被比数据的种类多，并且数据量非常庞大的时候，此种分析方法的计算速度以及计算效率是非常低的。

第二种比较典型的数据关联分析方法是通过Apriori关联规则算法分析出数据的关联性。具体步骤为，首先分析出所有的频集，并且频繁项集出现的频繁性大于等于预定义的最小支持度；然后根据频集产生强关联规则，关联规则必须满足最小支持度和最小可信度；然后分析出的频集产生期望的规则，产生只包含集合的项的所有规则，其中每一条规则的右部只有一项；一旦这些规则被生成，那么只有那些大于用户给定的最小可信度的规则才会作为结果最终输出。为了生成所有频集，Apriori关联规则算法使用了递归的方法。因此Apriori算法在产生频繁模式完全集前，需要对数据库进行多次扫描，同时产生大量的候选频繁集，使得Apriori算法时间和空间复杂度较大。Apriori算法在挖掘额长频繁模式的时候性能往往低下。

在大数据时代来临的背景下，上述传统的时空轨迹数据关联方法已经完全不能够满足人们快速数据关联与数据挖掘的需求，速度问题也是传统技术的主要缺点。

发明内容

本发明提供一种基于大数据挖掘频繁项集算法的时空轨迹数据关联分析方法，其适用在关联分析数据量大，且需要即时反馈出关联分析结果的领域，本发明的时空轨迹数据管理分析方法效率高，运算速度快，能够快速即时反馈出时空轨迹数据关联的结果。

本发明所采用的技术方案为：一种基于大数据技术的时空数据关联分析方法，其包括如下步骤。