17、传感器数据流特征提取与社交网络特征生成

传感器数据流特征提取与社交网络特征生成

1. 传感器数据流特征提取

在传感器数据流的处理中，ODSS（Online Discrete Symbolic Segmentation）展现出了强大的能力。它能够对一组未标记的路线进行聚类，在处理实际 GPS 数据集时，其聚类效果至少与基于动态时间规整（DTW）的等效聚类方法相当。

ODSS 的优势还体现在数据转换方面。它可以将连续数据转换为离散表示，对于该数据集，实现了约 40:1 的降维。而且这种转换可以在线进行，无需批量处理，也不需要事先定义符号集。

在离散表示的基础上，可以应用成熟的相似度度量——杰卡德系数（Jaccard coefficient），进而进行层次聚类。尽管 ODSS 的表示分辨率较低，但它仍能成功识别路径中的微小变化，这在分析弱势群体的行为时尤为重要。

ODSS 还是实时识别系统的基础。该系统使用杰卡德系数，将部分（正在进行的）行为与先前行为的模型进行比较。通过滑动窗口方法，将本文描述的方法应用于实时场景，使得在从数据流中提取符号时能够反复进行行为评估，从而快速检测出异常行为，无需等待行程结束。

2. 社交网络特征生成

随着网络数据的不断增加，对社交网络数据进行挖掘的需求也日益增长。社交网络分析（SNA）在社会学领域有着悠久的历史，常用的分析方式包括中心性分析、角色分析以及团簇分析等，这些分析会产生网络、节点或边的相关指标。

在链接挖掘中，基于链接的分类是一项热门任务。目前已经有众多针对链接分类的方法，但对于有效生成社交网络特征的研究还不够全面。

2.1 相关工作