32、时空模式挖掘：统一高效的算法方案

时空模式挖掘：统一高效的算法方案

1. 背景与问题提出

在当今时代，众多电子设备被广泛应用于现实世界，如安装在野生动物身上的遥测设备、汽车里的 GPS、传感器网络以及手机等。这些设备使得对各类数据的追踪成为可能，进而产生了大量包含移动对象的数据。对这些数据进行分析，挖掘其中的有趣模式，在运动模式分析、动物行为研究、路线规划以及车辆控制等领域具有重要意义。

近年来，涌现出了许多不同类型的时空模式，例如群（swarm）、护航队（convoy）、移动集群（moving clusters）、组模式（group pattern）和周期模式（periodic patterns）等。为了提取这些模式，人们提出了各种不同的算法。然而，这些算法各自专注于挖掘特定类型的模式，不仅需要使用大量算法进行挖掘和管理，过程繁琐且耗时，而且每当有新数据添加到现有数据库时，都需要重新执行这些算法。

为了解决这些问题，研究人员提出了 GeT Move 算法，这是一种统一的增量式时空模式挖掘方法。该方法主要有以下贡献：
- 将时空模式挖掘重新定义在项集（itemset）的上下文中，从而能够有效地提取不同类型的时空模式。
- 提出了 GeT Move 和 Incremental GeT Move 两种方法，通过高效提取频繁闭项集（Frequent Closed Itemsets，FCI）来检索时空模式。
- 在真实和合成数据集上进行了全面的实验，结果表明这些方法不仅能够有效提取不同类型的模式，而且在效率上优于现有的算法。

2. 时空模式的定义

2.1 基本定义

在时空模式挖掘中，我们通常关注的是在一段时间内一起移动的对象