《基於時空上下文數據的關聯關係挖掘與推理技術研究》是依託華中科技大學，由余辰擔任項目負責人的面上項目。
基本介紹
- 中文名：基於時空上下文數據的關聯關係挖掘與推理技術研究
- 項目類別：面上項目
- 項目負責人：余辰
- 依託單位：華中科技大學
中文摘要,結題摘要,
中文摘要
時空數據關聯挖掘是對時空數據中非顯性知識、時空關係等模式的自動提取。其在交通、生物、公共安全、氣候、人口普查等領域等有廣泛的用途。基於地理位置的時空上下文數據，是生活中最普通也是最重要的基礎數據，同時也是一種複雜的異構環境套用。本項目基於多種時空軌跡數據，採用語義化的上下文描述模型，研究時空位置信息的關聯關係推理方法與挖掘技術。擬從四個方面展開：1、多源時空數據的多維度表示理論與模型研究，建立時空數據及時空變化的統一語義描述模型；2、基於機率圖模型的關聯關係挖掘，從統計學角度闡明時空數據與時空變化的模式特徵與關聯關係；3、基於行為語義的上下文推理技術研究，根據挖掘出的行為模式特徵，進行未知事件的推理預測；4、面向群體用戶的空間關聯模型研究，挖掘群體活動的行為模式以及對事件的演進路徑進行分析。
結題摘要
時空數據關聯挖掘是對時空數據中非顯性知識、時空關係等模式的自動提取。其在交通、生物、公共安全、氣候、人口普查等實際套用場景中具有廣泛的用途。本項目基於多種時空軌跡數據，採用語義化的上下文描述模型，針對基於地理位置時空上下文數據的複雜異構特點，研究時空位置信息的關聯關係推理方法與挖掘技術。研究成果主要包括：1、 為了解決在移動通信網路中不同關係類別的數據量不平衡，且當已知關係標籤的數量很小時，關係預測準確性不夠好的問題，提出了一個基於支持向量機和樸素貝葉斯算法的半監督式社會關係推斷模型。2、出於對移動數據高維特性且其在單個模型中難以進行多上下文推理的考慮，提出了一種基於張量分解，提取具有多個表達式的人類移動模式模型，然後基於移動模式合成未來的移動事件的預測方式。3、為了解決現有的預測方法會遇到冷啟動的問題，提出了一種基於活動模式的位置預測方法，在該方法中通過建立模型預測個體的下一個活動的方式，間接預測個體的下一個位置。4、為了解決現有的線上相似性學習算法由於其高記憶體消耗及計算複雜性造成的針對高維任務效率低的問題，引入了幾種稀疏的線上相對相似性學習算法，在學習過程中學習稀疏矩陣模型，從而提升其處理高維任務的效率。5、針對現代交通方式中，車輛數量和交通密度急劇增加，車速等數據變化頻繁的問題，提出了一種準確描述交通流速度和密度關係的新方法。6、為了解決移動設備在進行上下文感知時，容易出現的低效和資源浪費問題，提出了一種基於眾包的雲服務框架，從而更加高效的發現和選擇相應的雲服務。
