留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

基于FP-Tree模型的频繁轨迹模式挖掘方法

牛新征,  牛嘉郡,  苏大壮,  佘堃

downloadPDF
文章导航 > 电子科技大学学报  > 2016 >  45(1): 86-90
牛新征, 牛嘉郡, 苏大壮, 佘堃. 基于FP-Tree模型的频繁轨迹模式挖掘方法[J]. 电子科技大学学报, 2016, 45(1): 86-90. doi: 10.3969/j.issn.1001-0548.2016.01.014
引用本文: 牛新征, 牛嘉郡, 苏大壮, 佘堃. 基于FP-Tree模型的频繁轨迹模式挖掘方法[J]. 电子科技大学学报, 2016, 45(1): 86-90. doi: 10.3969/j.issn.1001-0548.2016.01.014
shu
NIU Xin-zheng, NIU Jia-jun, SU Da-zhuang, SHE Kun. FP-Tree-Based Approach for Frequent Trajectory Pattern Mining[J]. Journal of University of Electronic Science and Technology of China, 2016, 45(1): 86-90. doi: 10.3969/j.issn.1001-0548.2016.01.014
Citation: NIU Xin-zheng, NIU Jia-jun, SU Da-zhuang, SHE Kun. FP-Tree-Based Approach for Frequent Trajectory Pattern Mining[J]. Journal of University of Electronic Science and Technology of China, 2016, 45(1): 86-90. doi: 10.3969/j.issn.1001-0548.2016.01.014
shu

基于FP-Tree模型的频繁轨迹模式挖掘方法

doi: 10.3969/j.issn.1001-0548.2016.01.014
详细信息

  • 中图分类号: TP393

FP-Tree-Based Approach for Frequent Trajectory Pattern Mining

  • 摘要: 通过对经典频繁模式数据结构FP-tree的扩展与改进,提出了一种适用于处理轨迹数据的灵活高效的FP-tree轨迹挖掘方法(NFTM)。首先运用二维筛选和GPS格式过滤的方法对轨迹进行预处理,然后将有效数据经一次扫描后,生成按照真实轨迹顺序排列且具备时空属性的改进型FP-tree,使用动态数组存储模式挖掘过程中得到的候选集,根据用户的输入针对性输出相应时间和频率范围的频繁轨迹。最后通过与GSP算法、Prefixspan算法的对比测试表明,该算法具有更短执行时间和更优性能。
  • [1] AGRAWAL R, SRIKANT R. Fast algorithms for mining association rules[C]//Very large data bases(VLDB). San Francisco, CA, USA: Morgan Kaufmann Publishers, 1994: 487-499.
    [2] HAN Jia-wei, PEI Jian, YIN Yi-wen, et al. Mining frequent patterns without candidate generation: a frequent pattern tree approach[J]. Data Mining and Knowledge Discovery, 2004, 8(1): 53-87.
    [3] SRIKANT R, AGRAWAL R. Advances in database technology—EDBT'96[M]. Berlin, Heidelberg: Springer, 1996: 1554-1558.
    [4] PEI Jian, HAN Jia-wei, MORTAZAVI-ASL B, et al. PrefixSpan: Mining sequential patterns efficiently by prefix-projected pattern growth[C]//ICDE'01 Proceedings of the 17th International Conference on Data Engineering. Washington D C, USA: IEEE Computer Society, 2001: 215-224.
    [5] ZAKI M J. SPADE: an efficient algorithm for mining frequent sequences[J]. Machine Learning, 2001, 11(5): 31-60.
    [6] KANG Juyoung, YONG Hwan-Seung Y. Mining trajectory patterns by incorporating temporal properties[C]//Proceedings of the 1st International Conference on Emerging Database. Busan, Korea: Hwan-Seung, 2009: 63-68.
    [7] GIANNOTTI F, NANNI M, PINELLI F, et al. Trajectory pattern mining[C]//Proceedings of the ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. California, USA : Scan Jose, 2007: 330-339.
    [8] PEI Jian, HAN Jia-wei, MAO run-ying. CLOSET: an efficient algorithm for mining frequent closed itemsets[C]//Proceedings of the 5th ACM-SIGMOD Workshop on Research Issues in Data Mining and Knowledge Discovery. Dallas, USA: ACM, 2000: 11-20.
    [9] MILIARAKI I, BERBERICH K, GEMULLA R, et al. Mind the gap large-scale frequent sequence mining[C]//Proceedings of the 2013 ACM SIGMOD International Conference on Management of Data. New York, USA: ACM 2013: 797-808.
    [10] DEAN J, GHEMAWAT S. Mapreduce: Implied data processing on large clusters[C]//6th Symposium on Operating Systems Design and Implementation. [S.l.]: USENIX Association, 2004: 137-149.
    [11] GRUENWALD L, CHOK H, ABOUKHAMIS M. Using data mining to estimate missing sensor data[C]//IEEE International Conference on Data Mining Workshops. Omaha, NE, USA: IEEE, 2007: 207-212.
    [12] GRUENWALD L, YANG Han-qing, SADIK M S, et al. Using data mining to handle missing data in multi-hop sensor network applications[C]//9th ACM International Workshop on Data Engineering for Wireless and Mobile Access. New York, USA: ACM, 2010: 9-16.
    [13] GENG Xiao-liang, ARIMURA H, UNO T. Pattern mining from trajectory GPS data[C]//2012 IIAI International Conference on Advanced Applied Informatics. Fukuoka, USA: IEEE, 2012: 60-65.
    [14] LIANG Wan-ga, HUA Kunyuan, TAO Ku, et al. Mining frequent trajectory pattern based on vague space partition[J]. Knowledge-Based Systems, 2013, 50: 100-111.
  • [1] 代翔.  基于事件模式及类型的事件检测模型 . 电子科技大学学报, 2022, 51(4): 592-599. doi: 10.12178/1001-0548.2021377
    [2] 田园芳, 陈伟.  外显子跳跃模式中组蛋白修饰的组合模式分析 . 电子科技大学学报, 2022, 51(5): 668-674. doi: 10.12178/1001-0548.2022138
    [3] 张治强, 王克强, 胡标, 张庆元.  异型截面波导模式变换技术 . 电子科技大学学报, 2022, 51(6): 862-865. doi: 10.12178/1001-0548.2022098
    [4] 王侃, 梅克进, 朱家辉, 牛新征.  基于时空轨迹的热点区域提取 . 电子科技大学学报, 2019, 48(6): 925-930. doi: 10.3969/j.issn.1001-0548.2019.06.018
    [5] 杨挺, 杨青, 唐勇.  WSN的移动Agent随机模式与分析 . 电子科技大学学报, 2015, 44(3): 439-444. doi: 10.3969/j.issn.1001-0548.2015.03.021
    [6] 王明生, 黄琳, 闫小勇.  探索城市公交客流移动模式 . 电子科技大学学报, 2012, 41(1): 2-7. doi: 10.3969/j.issn.1001-0548.2012.01.001
    [7] 罗光春, 狄翠霞, 李炯.  新型用户访问模式挖掘方法研究 . 电子科技大学学报, 2012, 41(1): 70-73. doi: 10.3969/j.issn.1001-0548.2012.01.014
    [8] 王宏, 周正欧, 李廷军, 孔令讲.  基于EEMD穿墙雷达人的运动模式识别 . 电子科技大学学报, 2011, 40(3): 346-351. doi: 10.3969/j.issn.1001-0548.2011.03.003
    [9] 吴明和, 郑晓明, 孙云卿, 崔海娟, 曾刚.  储能电容与光导开关的工作模式 . 电子科技大学学报, 2011, 40(2): 227-230. doi: 10.3969/j.issn.1001-0548.2011.02.014
    [10] 卢光辉.  P帧快速模式选择算法 . 电子科技大学学报, 2010, 39(3): 397-401. doi: 10.3969/j.issn.1001-0548.2010.03.016
    [11] 王洪, 刘昌忠, 汪学刚, 吴宏刚.  S模式前导脉冲检测方法 . 电子科技大学学报, 2010, 39(4): 486-489. doi: 10.3969/j.issn.1001-0548.2010.04.002
    [12] 赖永秀, 夏阳, 万衡, 雷町, 尧德中.  癫痫发作的两种模式 . 电子科技大学学报, 2010, 39(3): 454-456. doi: 10.3969/j.issn.1001-0548.2010.03.029
    [13] 朱颢东, 李红婵.  关于Top-N最频繁项集挖掘的研究 . 电子科技大学学报, 2010, 39(5): 757-761,773. doi: 10.3969/j.issn.1001-0548.2010.05.023
    [14] 李献礼, 陈业纲.  FP-array在计算机犯罪挖掘中的应用 . 电子科技大学学报, 2009, 38(4): 592-595. doi: 10.3969/j.issn.1001-0548.2009.04.027
    [15] 刘頔威, 刘盛纲.  THz光子晶体光纤的模式及色散特性分析 . 电子科技大学学报, 2008, 37(3): 417-420.
    [16] 程红蓉, 秦志光, 万明成, 邓蔚.  缓冲区溢出攻击模式及其防御的研究 . 电子科技大学学报, 2007, 36(6): 1187-1191.
    [17] 何元清, 孙世新, 傅彦.  并行编程模式及分析 . 电子科技大学学报, 2002, 31(2): 173-175.
    [18] 王保强.  IGBT的ZVC/ZCC驱动模式 . 电子科技大学学报, 1999, 28(2): 132-135.
    [19] 邵培基, 黄荣辉.  用Intranet模式改造传统的MIS . 电子科技大学学报, 1999, 28(1): 93-97.
    [20] 倪治中, 王光泰, 古天详.  同步变换模式及其外特性 . 电子科技大学学报, 1997, 26(2): 220-224.
  • 加载中
WeChat 点击查看大图
计量
  • 文章访问数:  4059
  • HTML全文浏览量:  146
  • PDF下载量:  318
  • 被引次数: 0
出版历程
  • 刊出日期:  2016-02-15

基于FP-Tree模型的频繁轨迹模式挖掘方法

doi: 10.3969/j.issn.1001-0548.2016.01.014
  • 刊出日期: 2016-02-15

  • 中图分类号: TP393

摘要: 通过对经典频繁模式数据结构FP-tree的扩展与改进,提出了一种适用于处理轨迹数据的灵活高效的FP-tree轨迹挖掘方法(NFTM)。首先运用二维筛选和GPS格式过滤的方法对轨迹进行预处理,然后将有效数据经一次扫描后,生成按照真实轨迹顺序排列且具备时空属性的改进型FP-tree,使用动态数组存储模式挖掘过程中得到的候选集,根据用户的输入针对性输出相应时间和频率范围的频繁轨迹。最后通过与GSP算法、Prefixspan算法的对比测试表明,该算法具有更短执行时间和更优性能。

English Abstract

牛新征, 牛嘉郡, 苏大壮, 佘堃. 基于FP-Tree模型的频繁轨迹模式挖掘方法[J]. 电子科技大学学报, 2016, 45(1): 86-90. doi: 10.3969/j.issn.1001-0548.2016.01.014
引用本文: 牛新征, 牛嘉郡, 苏大壮, 佘堃. 基于FP-Tree模型的频繁轨迹模式挖掘方法[J]. 电子科技大学学报, 2016, 45(1): 86-90. doi: 10.3969/j.issn.1001-0548.2016.01.014
shu
NIU Xin-zheng, NIU Jia-jun, SU Da-zhuang, SHE Kun. FP-Tree-Based Approach for Frequent Trajectory Pattern Mining[J]. Journal of University of Electronic Science and Technology of China, 2016, 45(1): 86-90. doi: 10.3969/j.issn.1001-0548.2016.01.014
Citation: NIU Xin-zheng, NIU Jia-jun, SU Da-zhuang, SHE Kun. FP-Tree-Based Approach for Frequent Trajectory Pattern Mining[J]. Journal of University of Electronic Science and Technology of China, 2016, 45(1): 86-90. doi: 10.3969/j.issn.1001-0548.2016.01.014
shu

    全文HTML

参考文献 (14)

目录

    /

    返回文章
    返回

    期刊在线

    编辑办公

    友情链接

    版权所有 © 《电子科技大学学报》编辑部

    地址: 成都市建设北路二段四号电子科技大学主楼中350室 电话: 028-83202308,83207559 Email: xuebao@uestc.edu.cn

    本系统由 北京仁和汇智信息技术有限公司 开发