CN111753888B - 智能环境下多粒度时空事件相似度匹配工作方法 - Google Patents
智能环境下多粒度时空事件相似度匹配工作方法 Download PDFInfo
- Publication number
- CN111753888B CN111753888B CN202010523758.9A CN202010523758A CN111753888B CN 111753888 B CN111753888 B CN 111753888B CN 202010523758 A CN202010523758 A CN 202010523758A CN 111753888 B CN111753888 B CN 111753888B
- Authority
- CN
- China
- Prior art keywords
- event
- time
- similarity
- granularity
- node
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 83
- 230000000694 effects Effects 0.000 claims abstract description 139
- 238000004364 calculation method Methods 0.000 claims abstract description 30
- 230000008569 process Effects 0.000 claims abstract description 9
- 235000019580 granularity Nutrition 0.000 claims description 90
- 238000004422 calculation algorithm Methods 0.000 claims description 85
- 239000011159 matrix material Substances 0.000 claims description 26
- 238000010276 construction Methods 0.000 claims description 4
- 239000002245 particle Substances 0.000 description 13
- 230000006399 behavior Effects 0.000 description 12
- 230000002123 temporal effect Effects 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 238000002864 sequence alignment Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 4
- 238000004088 simulation Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000007621 cluster analysis Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 239000008187 granular material Substances 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明提出了一种智能环境下多粒度时空事件相似度匹配工作方法,包括如下步骤:S1,在智能环境下采集用户活动类型,建立时空事件序列,对多粒度特性的时空事件序列进行获取;S2,对获取的多粒度特性时空事件序列匹配事件的时间关系,然后加入事件限制方法;S3,通过事件限制方法,进行时空事件相似度计算,然后开始时空事件可比性过程;S4,开始多粒度时空事件序列比对方法,将用户活动轨迹数据进行收集匹配,并输出至智能终端进行实时查看。
Description
技术领域
本发明涉及计算机物联网领域,尤其涉及一种智能环境下多粒度时空事件相似度匹配工作方法。
背景技术
随着无线通信技术、嵌入式技术等技术的不断发展,智能环境也进入了飞速发展阶段,它在环境监测、智能家居、医疗护理等方面得到了广泛的应用。智能环境下经过处理可以得到用户大量的日常活动事件序列数据,包括活动类型、活动开始时间与结束时间、位置信息等,对这些事件序列进行相似度度量,可以聚类分析出行为相似的用户、进行用户行为异常检测、查询与给定序列相似的其他行为序列等,将其与健康医疗或智能推荐等领域相结合,为用户提供个性化信息服务,用以改善用户的日常生活。
目前现有技术把两序列的交叉程度作为其相似性的度量标准,采用两个序列的最大共同子序列LCS表示序列的距离;用编辑距离表示两序列的相似度,其基本思想是:两序列的相似性反映为把一个序列转换成另一序列的工作量。然而以上方法仅处理纯粹的定性信息,如字母,而不能处理带有时间、空间信息的序列。还有提出语义轨迹模式相似度方法来度量两个轨迹之间的相似性,该方法将轨迹转化为具有语义标签的位置序列,通过最长公共子序列计算两个序列的相似度,但该方法忽略了时间、活动信息,仅考虑空间相似度;另外提出时空相似度算法来度量用户轨迹相似度,该方法将原始轨迹数据中的空间信息视为一组序列,利用序列比对方法测量轨迹之间的空间相似度,然后再求两条轨迹中对应相同空间位置的时间距离,将时间相似度定义为时间距离的倒数;另外提出的时空编辑距离方法来衡量用户轨迹之间的相似度,该方法扩展了传统编辑距离算法的成本函数,以便结合空间和时间因素。以上方法比较的是带有固定时间空间信息轨迹之间的时空相似度,忽略了时间、空间信息的多尺度表达,且没有考虑活动之间的相似度。
而且可以看出,关于用户行为分析的研究之一就是用户行为相似度计算,主要集中于不带有时间空间信息或带有固定时间空间信息的活动序列相似度计算,我们认为仅仅从单一层次来计算时空事件序列相似度是不够的,难以准确地进行相似度度量。例如,如图1所示,利用现有的活动序列相似度计算方法,事件序列1与事件序列2显然相似性不高,但若放大空间层次和活动层次,如图2所示,则事件序列1与事件序列2的相似性明显高于图1所示。因此,需要从不同的粒度对时空事件序列进行相似度比较。这就亟需本领域技术人员解决相应的技术问题。
发明内容
本发明旨在至少解决现有技术中存在的技术问题,特别创新地提出了一种智能环境下多粒度时空事件相似度匹配工作方法。
为了实现本发明的上述目的,本发明提供了一种智能环境下多粒度时空事件相似度匹配工作方法,包括如下步骤:
S1,在智能环境下采集用户活动类型,建立时空事件序列,对多粒度特性的时空事件序列进行获取;
S2,对获取的多粒度特性时空事件序列匹配事件的时间关系,然后加入事件限制方法;
S3,通过事件限制方法,进行时空事件相似度计算,然后开始时空事件可比性过程;
S4,开始多粒度时空事件序列比对方法,将用户活动轨迹数据进行收集匹配,并输出至智能终端进行实时查看。
优选的,所述S1包括:
给定活动类型集合E={e1,e2,...,en},n为活动类型总数,时空事件表示为一个三元组event=(t,e,p),其中,t=(tstart,tend),tstart为事件的开始时间,tend为事件的结束时间;e为活动类型集E中的某个事件;p为事件发生时用户所在的位置,时空事件具有多粒度的特性,时空事件序列表示为L={event1,event2,...,eventn},其中n为正整数。
优选的,所述S2包括:
S2-1,NoOverlap(event1,event2):表示时空事件event2在时空事件event1结束时或结束之后发生,即tend(event1)≤tstart(event2);
S2-2,Overlap(event1,event2):表示时空事件event1与时空事件event2发生的时间上有重叠,即tstart(event1)≤tstart(event2),tend(event1)>tstart(event2)且
tend(event1)<tend(event2);
S2-3,Contain(event1,event2):表示时空事件event1包含时空事件event2,即
tstart(event1)≤tstart(event2),tend(event1)>tend(event2)或
tstart(event1)<tstart(event2),tend(event1)≥tend(event2);
S2-4,Equal(event1,event2):表示时空事件event1与时空事件event2同时发生并且同时结束,即tstart(event1)=tstart(event2)且tend(event1)=tend(event2)。
优选的,所述S2还包括:
所述事件限制方法包括:给定一个时间阈值th(th>0),进行如下时间限制:
S2-A,时空事件event2在时空事件event1结束时或结束之后发生采用如下限制方法,NoOverlap(event1,event2):
tstart(event2)-th≤tend(event1)≤tstart(event2)+th
或tend(event1)+th≤tstart(event2);
S2-B,时空事件event1与时空事件event2发生的时间上有重叠采用如下限制方法Overlap(event1,event2):tstart(event1)+th≤tstart(event2),
tend(event1)+th≤tend(event2);
S2-C,时空事件event1包含时空事件event2采用如下方法进行限制Contain(event1,event2):tstart(event1)+th≤tstart(event2),tend(event1)≥tend(event2)+th或tstart(event1)+th<tstart(event2),
tend(event2)-th≤tend(event1)≤tend(event2)+th或
tstart(event2)-th≤tstart(event1)≤tstart(event2)+th,
tend(event1)>tend(event2)+th或
tstart(event2)-th≤tstart(event1)≤tstart(event2)+th,tend(event1)<tend(event2)-th;
S2-D,时空事件event1与时空事件event2同时发生并且同时结束采用如下方法进行限制Equal(event1,event2):tstart(event2)-th≤tstart(event1)≤tstart(event2)+th且
tend(event2)-th≤tend(event1)≤tend(event2)+th。
优选的,所述S3包括:
基于NW算法的全局最优比对及时空事件相似度计算公式,进行时空序列相似性计算,
开始时空事件序列相似度过程:对于两个时空事件序列的相似度进行匹配计算L1={event11,event12,...,event1n},,L2={event21,event22...,event2n},有序列
Li={event11,event12,...,event1i}与
通过公式求得时空序列相似度得分矩阵M,得分矩阵的最后一行最后一列数值即为两个时空序列L1、L2的相似度值。
优选的,所述S4包括:
S4-1,初始化时空事件相似度矩阵M,根据三种途径从两个序列的第一项开始比较计算并填充时空事件相似度矩阵M。
S4-2,根据时空事件可比性,表示当前比较的两项的时间关系满足Overlap、时空事件Contain、Equal、NoOverlap四种之一才能进行比较,变量temp记录了L1的第i项与L2比较的起始位置j,因此L1的第i+1项只用从L2的第j项开始比较,
S4-3,比较L1的第i项和L2的第j项的两种情况,即L1的第i项的活动类型与L2的第j项的活动类型属于同一大类及不属于同一大类的计算方法;
S4-4,使用活动粒度三维数组granularityact、时间粒度三维数组granularitytime、空间粒度三维数组granularitypos分别将在活动粒度i1、时间粒度i2、空间粒度i3下求得的时空事件序列活动相似度、时间相似度、空间相似度保存多粒度活动相似度方法MGAS,多粒度时间相似度方法MGTS,多粒度空间相似度方法MGSS。
优选的,所述S4-4多粒度活动相似度方法MGAS包括:
基于获取的活动粒度构建活动多叉树,接着在活动多叉树上构造一个哈希表,由于构造了哈希表,该算法查找的时间复杂度为常数级O(1),在活动多叉树中找到e1、e2代表的节点并令其为节点a、b,判断节点a、b的第一层父节点是否相同,即判断e1、e2是否属于同一大类,不满足该条件的则返回0,满足该条件的则根据给定活动粒度继续求解事件event1和event2的活动相似度,实现了从多种粒度来求活动相似度;
获得节点a和b的第m层父节点,若节点a在活动多叉树中所在层次小于活动粒度i,则令节点a自身为其第m层父节点,同理,若节点b在活动多叉树中所在层次小于活动粒度i,则令节点b自身为其第i层父节点,令节点a的第m层父节点为c,令节点b的第m层父节点为d;然后求解事件event1和event2的活动相似度。
优选的,所述S4-4还包括:
S4-A,节点c与节点d为同一节点,则在活动粒度为i时事件event1与事件event2的活动相似度为1;
S4-B,节点c与节点d不为同一节点,且节点c在活动多叉树中的层次等于节点d的层次,此时事件event1与事件event2的活动相似度为从活动二叉树第一层节点到节点c、d的公共节点个数与节点c的层次之比;
S4-C,节点c与节点d不为同一节点,且节点c在活动多叉树中的层次不等于节点d的层次,此时事件event1与事件event2的活动相似度为从活动二叉树第一层节点到节点c、d的公共节点个数与节点c、d中最大层次之比。
优选的,所述S4-4多粒度时间相似度方法MGTS包括:
基于获取的时间粒度l,将时间轴从0时开始划分并进行编码,然后t1和t2表示为两个字符序列;通过最长公共子序列LCS算法求出两个字符序列的最长公共子序列,并将该最长公共子序列的长度所占比例与event1、event2的事件时间关系权重之积作为event1和event2的时间相似度;最长公共子序列算法经过优化后,时间复杂度由原来降低为O(nlogn),这也使得时间复杂度得到了降低,变为O(nlogn)。
优选的,所述S4-4多粒度空间相似度方法MGSS包括:
基于获取的空间粒度构建了空间位置多叉树,并在空间位置多叉树上构造了一个哈希表;在空间位置多叉树中寻找p1、p2代表的节点并令其为节点a、b,接着分别找到节点a、b的第m层父节点,从多种粒度来求空间相似度;由于构造了哈希表,所以时间复杂度变为常数级O(1)。
综上所述,由于采用了上述技术方案,本发明的有益效果是:
本发明对NW算法进行了改进,提出了多粒度时空序列比对算法MGSSA,实现了从不同的层次计算时空序列相似度,通过语义完整性对比,聚类分析对比,说明本发明能够在智能环境下更加准确的进行时空事件的相似度匹配,并提高行为数据的匹配精度,从而为智能设备发出准确指令提供重要的数据参考。
本发明的附加方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解,其中:
图1是现有技术事件序列相似性比较图;
图2是现有技术调整空间和活动层次后的事件序列相似性比较图;
图3是本发明定义活动粒度示意图;
图4是本发明定义空间粒度示意图;
图5是本发明定义时间粒度示意图;
图6是本发明MGSSA与NW算法的平均运行时间对比图;
图7A和7B是本发明初始聚类结果及改变粒度后的聚类结果对比图。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,仅用于解释本发明,而不能理解为对本发明的限制。
本发明公开一种智能环境下多粒度时空事件相似度匹配工作方法,包括如下步骤:
S1,在智能环境下采集用户活动类型,建立时空事件序列,对多粒度特性的时空事件序列进行获取;
S2,对获取的多粒度特性时空事件序列匹配事件的时间关系,然后加入事件限制方法;
S3,通过事件限制方法,进行时空事件相似度计算,然后开始时空事件可比性过程;
S4,开始多粒度时空事件序列比对方法,将用户活动轨迹数据进行收集匹配,并输出至智能终端进行实时查看。
所述S4包括如下步骤:
S4-1,初始化时空事件相似度矩阵M,根据三种途径从两个序列的第一项开始比较计算并填充时空事件相似度矩阵M。
S4-2,根据时空事件可比性,表示当前比较的两项的时间关系满足Overlap、时空事件Contain、Equal、NoOverlap四种之一才能进行比较,变量temp记录了L1的第i项与L2比较的起始位置j,因此L1的第i+1项只用从L2的第j项开始比较,
S4-3,比较L1的第i项和L2的第j项的两种情况,即L1的第i项的活动类型与L2的第j项的活动类型属于同一大类及不属于同一大类的计算方法;
S4-4,使用活动粒度三维数组granularityact、时间粒度三维数组granularitytime、空间粒度三维数组granularitypos分别将在活动粒度i1、时间粒度i2、空间粒度i3下求得的时空事件序列活动相似度、时间相似度、空间相似度保存多粒度活动相似度方法MGAS,多粒度时间相似度方法MGTS,多粒度空间相似度方法MGSS;
所述S4-4多粒度活动相似度方法MGAS包括:
基于获取的活动粒度构建活动多叉树,接着在活动多叉树上构造一个哈希表,由于构造了哈希表,该算法查找的时间复杂度为常数级O(1),在活动多叉树中找到e1、e2代表的节点并令其为节点a、b,判断节点a、b的第一层父节点是否相同,即判断e1、e2是否属于同一大类,不满足该条件的则返回0,满足该条件的则根据给定活动粒度继续求解事件event1和event2的活动相似度,实现了从多种粒度来求活动相似度;
获得节点a和b的第m层父节点,若节点a在活动多叉树中所在层次小于活动粒度i,则令节点a自身为其第m层父节点,同理,若节点b在活动多叉树中所在层次小于活动粒度i,则令节点b自身为其第i层父节点,令节点a的第m层父节点为c,令节点b的第m层父节点为d;然后求解事件event1和event2的活动相似度;
1)节点c与节点d为同一节点,则在活动粒度为i时事件event1与事件event2的活动相似度为1;
2)节点c与节点d不为同一节点,且节点c在活动多叉树中的层次等于节点d的层次,此时事件event1与事件event2的活动相似度为从活动二叉树第一层节点到节点c、d的公共节点个数与节点c的层次之比;
3)节点c与节点d不为同一节点,且节点c在活动多叉树中的层次不等于节点d的层次,此时事件event1与事件event2的活动相似度为从活动二叉树第一层节点到节点c、d的公共节点个数与节点c、d中最大层次之比;
所述S4-4多粒度时间相似度方法MGTS包括:
基于获取的时间粒度l,将时间轴从0时开始划分并进行编码,然后t1和t2表示为两个字符序列;通过最长公共子序列LCS算法求出两个字符序列的最长公共子序列,并将该最长公共子序列的长度所占比例与event1、event2的事件时间关系权重之积作为event1和event2的时间相似度;最长公共子序列算法经过优化后,时间复杂度由原来降低为O(nlogn),这也使得时间复杂度得到了降低,变为O(nlogn);
所述S4-4多粒度空间相似度方法MGSS包括:
基于获取的空间粒度构建了空间位置多叉树,并在空间位置多叉树上构造了一个哈希表;在空间位置多叉树中寻找p1、p2代表的节点并令其为节点a、b,接着分别找到节点a、b的第m层父节点,从多种粒度来求空间相似度;由于构造了哈希表,所以时间复杂度变为常数级O(1)。
如图1至图5所示,智能环境下,通过对用户日常活动序列进行相似度分析,可以聚类分析出行为相似的用户、进行用户行为异常检测、查询与给定序列相似的其他行为序列,从而更好地为用户提供个性化信息服务。现有研究集中于不带有时间空间信息或带有固定时间空间信息的活动序列相似度计算,没有从不同层次来度量用户行为序列的相似性,为了实现对用户行为多粒度多视角的动态认知,提出一种基于序列比对算法Needleman-Wunsch的多粒度时空序列比对算法MGSSA(Multi-granular Spatiotemporal SequencesAlignment),扩展了NW算法的得分函数以结合时间、空间信息,通过粒度调控实现了从不同的粒度来计算时空事件序列的相似度。最后实验证明,多粒度时空序列比对算法MGSSA是有效且可行的。
所述S1包括:开始时空事件、时空事件序列的收集,
给定活动类型集合E={e1,e2,...,en},n为活动类型总数,时空事件表示为一个三元组event=(t,e,p),其中,t=(tstart,tend),tstart为事件的开始时间,tend为事件的结束时间;e为活动类型集E中的某个事件;p为事件发生时用户所在的位置。时空事件具有多粒度的特性。时空事件序列表示为L={event1,event2,…,eventn},其中n为正整数。
时空事件序列具有多粒度的特性,下面分别获取活动粒度、空间粒度、时间粒度:
首先,获取活动粒度:在智能环境下,对通过传感器检测或识别到的活动进行多层次的分类如图3所示,则每一层次称为一个活动粒度,一个活动粒度表示为AG(i),i表示个数。
其次,获取空间粒度:设R为智能环境区域,如图4所示,在R内有n个互不相交的子区域且p(i)被称为是一个空间粒,则所有p(i)(1≤i≤n)空间粒构成的即为一个空间粒度,一个空间粒度表示为SG(i),i,j表示个数,图4中,智能环境区域经过一次划分所得的子区域p(1)-p(4)各为一个空间粒,所有的p(i)空间粒构成一个空间粒度,每个子区域p(i)再次进行划分得到子区域p(i1)-p(i4),所有的p(in)空间粒构成另一个空间粒度,依此类推到其他各空间粒度。
然后,获取时间粒度:设时间域T=[t0,tn],T内有n个互不相交且时间间隔相同的时间区间:t(i)=[ti1,ti2],t(j)=[tj1,tj2],(t0≤ti1<ti2≤tn,t0≤tj1<tj2≤tn),且如果i<j,则有ti2≤tj1,t(i)被称为是一个时间粒,所有的t(i)时间粒构成的即为一个时间粒度,一个时间粒度表示为TG(i)i,j表示个数,如图5所示,分、时、天各为一种时间粒度。
所述S2包括:传统的序列挖掘中的事件很多都是瞬时事件,所以区别于传统事件序列挖掘,对于带有时间间隔的事件来说,因为每个事件都有两个时间点,事件间的关系就要复杂得多,下面就对时间间隔事件间的关系表达做详细的介绍。
对于两个事件event1、event2的关系来说,本发明形成以下几种关系模式,默认为event1在event2之前发生,即时空事件event1发生时间早于时空事件event2发生时间tstart(event1)≤tstart(event2)。
(1)NoOverlap(event1,event2):表示时空事件event2在时空事件event1结束时或结束之后发生,即tend(event1)≤tstart(event2)。
(2)Overlap(event1,event2):表示时空事件event1与时空事件event2发生的时间上有重叠,即tstart(event1)≤tstart(event2),tend(event1)>tstart(event2)且
tend(event1)<tend(event2)。
(3)Contain(event1,event2):表示时空事件event1包含时空事件event2,即
tstart(event1)≤tstart(event2),tend(event1)>tend(event2)或
tstart(event1)<tstart(event2),tend(event1)≥tend(event2)。
(4)Equal(event1,event2):表示时空事件event1与时空事件event2同时发生并且同时结束,即tstart(event1)=tstart(event2)且tend(event1)=tend(event2)。
但是在现实生活中事件发生的时间并非十分精确,如有的开始结束时间可能精确到小时,有的可能精确到分、秒。这样就使事件界限模糊不清,也使得事件间的关系定义模糊不清。于是,本发明接着通过加入时间限制方法,将上述定义的四种关系模式转化为下面所示的四种关系,可以看出,关系定义的基本概念是相同的,只是加入了一个时间限制值,当时间差超过这一限制时,两个事件之间的关系才成立。
所述事件限制方法包括:给定一个时间阈值th(th>0),th对于不同的关系定义是不同的。那么上述四种关系进行如下时间限制:
(1)时空事件event2在时空事件event1结束时或结束之后发生采用如下限制方法,NoOverlap(event1,event2):
tstart(event2)-th≤tend(event1)≤tstart(event2)+th
或tend(event1)+th≤tstart(event2)。说明:两个事件的间隔时间太长,那么这个“NoOverlap”关系是没有意义的,所以设置一个最大时间差tmax,当tstart(event2)-tend(event1)>tmax时,“NoOverlap”关系不成立,即两个事件没有任何关系。
(2)时空事件event1与时空事件event2发生的时间上有重叠采用如下限制方法Overlap(event1,event2):tstart(event1)+th≤tstart(event2),
tend(event1)+th≤tend(event2)。
(3)时空事件event1包含时空事件event2采用如下方法进行限制Contain(event1,event2):tstart(event1)+th≤tstart(event2),tend(event1)≥tend(event2)+th或
tstart(event1)+th<tstart(event2),
tend(event2)-th≤tend(event1)≤tend(event2)+th或
tstart(event2)-th≤tstart(event1)≤tstart(event2)+th,
tend(event1)>tend(event2)+th或
tstart(event2)-th≤tstart(event1)≤tstart(event2)+th,tend(event1)<tend(event2)-th。
(4)时空事件event1与时空事件event2同时发生并且同时结束采用如下方法进行限制Equal(event1,event2):tstart(event2)-th≤tstart(event1)≤tstart(event2)+th且
tend(event2)-th≤tend(event1)≤tend(event2)+th。
通过序列比对Needleman-Wunsch算法,该算法是基于动态规划的全局最优比对算法,能够找出序列的最优比对并计算其最大相似性。
序列之间字符可能匹配、不匹配或匹配gap,其中gap为空格,由***或删除操作产生,NW算法定义了一个字符得分***,可以针对不同的情况设计不同的得分***,设字符x与y进行比较时的得分函数W(x,y)为:
NW算法将两个序列a,b变成等长序列,不等长则用gap补足,形成一个二维矩阵,矩阵的单元是计算得出的对应子序列的相似度值。用S(i,j)表示矩阵单元的值,则序列a和序列b的全局最优比对可表示为:
根据上式可以计算出矩阵中每个单元格的分数,最后即可得到完整的序列比对后的相似度矩阵,矩阵右下角的相似度值最大,从矩阵右下角回溯至左上角,即可得到序列最优比对的结果。
算法NW是从序列第一个到最后一个,每个进行比较,一条序列全部遍历,然后得出最优解,仅仅是对两个字符串的最优比较。然而,计算两个时空事件序列的相似度,而不是序列的最优比较得分,且时空事件序列不仅包含活动信息,还包含时间、空间信息。
所以我们基于NW算法的得分函数,eventi=(ti,ei,pi)和eventj=(tj,ej,pj)时空事件序列L中的两个时空事件,那么时空事件eventi和eventj的相似度计算公式如下:
式中,Sactivity表示两个事件eventi,eventj比较的活动相似度;Stime表示两个事件eventi,eventj比较的时间相似度;Sspace表示两个事件eventi,eventj比较的空间相似度;u1、u2、u3分别为Sactivity、Stime、Sspace对应的相似度权重,用来调整对活动相似度、时间相似度、空间相似度的敏感度,且u1+u2+u3=1;d1、d2为自定义得分值。
此外,基于时间相关性的考虑,如早上发生的事件与晚上发生的事件进行比较是没有多大意义的。因此,不需要从序列的第一项一直比较到最后一项,只需要将一个序列中的事件eventi和另一序列中与eventi满足时空事件可比性的连续事件集进行比较即可。序列可比性定义如下:
开始时空事件可比性过程:因为已知的两个时空事件序列分别为L1={event11,event12,…,event1n}与L2={event21,event22,...,event2n},对于L1中任意一项event1i(1≤i≤n),若L2序列中存在连续事件event2j,event2(j+1),…,event2(j+a)(0≤a≤m-1,1≤j≤m-a),都满足关系Overlap(event1i,event2(j+a))、Contain(event1i,event2(j+a))、
Equal(event1i,event2(j+a))、NoOverlap(event1i,event2(j+a))中的任意一种关系,则称L1中的事件event1i与L2中的连续事件event2j,event2(j+1),…,event2(j+a)具有时空事件可比性。且序列L1中的事件event1i的下一事件event1(i+1)只需和序列L2中以事件event2j开始的事件逐一进行比较,而不用从序列L2的第一项开始比较。
基于此思想改进之后,序列进行的比较次数减少,改善了算法效率,而且还更符合实际意义。
所述S3包括:基于NW算法的全局最优比对及时空事件相似度计算公式,下面给出时空事件序列相似度的定义。
开始时空事件序列相似度过程:对于两个时空事件序列的相似度进行匹配计算L1={event11,event12,...,event1n},,L2={event21,event22...,event2n},有序列
Li={event11,event12,...,event1i}与
通过公式求得时空序列相似度得分矩阵M,得分矩阵的最后一行最后一列数值即为两个时空序列L1、L2的相似度值;
下面具体介绍多粒度活动相似度算法MGAS(Multi-granularity ActivitySimilarity)、多粒度时间相似度算法MGTS(Multi-granularity Time Similarity)、多粒度空间相似度算法MGSS(Multi-granularity Spatial Similarity)。
所述S4包括:
算法1,开始多粒度时空事件序列比对方法MGSSA
算法1输入为待比较的两个时空事件序列L1、L2及活动粒度i1、时间粒度i2、空间粒度i3,输出为在给定的三种粒度条件下,两个时空事件序列的相似度值。算法1基于NW算法,运用动态规划的思想,该算法构造一个二维相似度矩阵M用于序列比对,矩阵的行和列分别为两个序列L1、L2的序列项排列,由公式4可知每个单元格的值M[i][j]可由以下三个途径得到:
1)从一开始构造了时空序列相似度矩阵M用于存储序列比对结果,一个序列沿顶部展开,一个序列沿左侧展开,矩阵有m*n个单元格,m、n为两个序列的长度,代表将当前列所对应的项与gap进行比较,此时求得的值为M[i-1][j]+d2;
2)将当前行所对应的项与gap进行比较,此时求得的值为M[i][j-1]+d2;
3)将当前行所对应的项与当前列所对应的项进行比较,包括匹配和不匹配的两种情况,此时求得的值为M[i-1][j-1]+W(L1[i],L2[j])。
算法第1至4行初始化矩阵M,算法第5至22行根据上述三种途径从两个序列的第一项开始比较计算并填充矩阵M。
其中,算法第8至10行根据时空事件可比性,表示当前比较的两项的时间关系满足Overlap、Contain、Equal、NoOverlap四种之一才能进行比较,变量temp记录了L1的第i项与L2比较的起始位置j,因此L1的第i+1项只用从L2的第j项开始比较即可,通过时空事件可比性的思想,减少序列事件的比较次数,提高了运算的效率,节约了运算时间。
算法第11至21行给出了比较L1的第i项和L2的第j项的两种情况,即L1的第i项的活动类型与L2的第j项的活动类型属于同一大类及不属于同一大类的计算方法。下面举例说明以上这两种情况,当L1的第i项的活动为breakfast,L2的第j项的活动为bath时,根据时空事件序列可知,本算法活动类型共有六大类,此时,L1第i项的活动类型与L2第j项的活动类型属于同一类;而当L1的第i项的活动为cook,L2的第j项的活动为bath时,L1第i项的活动类型与L2第j项的活动类型则不属于同一类。算法第17至19行使用三维数组granularityact、granularitytime、granularitypos分别将在活动粒度i1、时间粒度i2、空间粒度i3下求得的时空事件序列活动相似度、时间相似度、空间相似度保存起来,当改变其中某种或某两种粒度时,可以减少重复计算,从而有效地提高了算法的效率。
算法2的输入为事件event1的活动类型e1、事件event2的活动类型e2以及给定的活动粒度i,输出为活动粒度为i时事件event1与事件event2的活动相似度。算法2首先基于定义1定义并构建活动多叉树,接着在活动多叉树上构造一个哈希表,由于构造了哈希表,该算法查找的时间复杂度为常数级O(1)。算法第1行表示在活动多叉树中找到e1、e2代表的节点并令其为节点a、b,算法第2行判断节点a、b的第一层父节点是否相同,即判断e1、e2是否属于同一大类,不满足该条件的则返回0,见算法第20行,满足该条件的则根据给定活动粒度继续求解事件event1和event2的活动相似度,实现了从多种粒度来求活动相似度。见算法第3至18行。
算法第3至9行获得节点a和b的第i层父节点,若节点a在活动多叉树中所在层次小于活动粒度i,则令节点a自身为其第i层父节点,同理,若节点b在活动多叉树中所在层次小于活动粒度i,则令节点b自身为其第i层父节点,为了后述表达方便,令节点a的第i层父节点为c,令节点b的第i层父节点为d。接着可分为三种情况来求解事件event1和event2的活动相似度。
1)算法第10至11行,节点c与节点d为同一节点,则在活动粒度为i时事件event1与事件event2的活动相似度为1;
2)算法第12至14行,节点c与节点d不为同一节点,且节点c在活动多叉树中的层次等于节点d的层次,此时事件event1与事件event2的活动相似度为从活动二叉树第一层节点到节点c、d的公共节点个数与节点c的层次之比。
3)算法第15至18行,节点c与节点d不为同一节点,且节点c在活动多叉树中的层次不等于节点d的层次,此时事件event1与事件event2的活动相似度为从活动二叉树第一层节点到节点c、d的公共节点个数与节点c、d中最大层次之比。
下面举例具体说明多粒度活动相似度算法MGAS的实现过程。假设事件event1的活动为breakfast,事件event2的活动为sleep,当活动粒度i为3时,event1和event2的活动相似度求解如上述情况3),活动相似度值为1/3;当活动粒度i为2时,event1和event2的活动相似度求解如上述情况2),活动相似度值为1/2;当活动粒度i为1时,event1和event2的活动相似度求解如上述情况1),活动相似度值为1。
接下来对可求出活动相似度的两个事件求时间相似度、空间相似度。在提出多粒度时间相似度算法之前,先给出事件时间关系权重的定义。由于事件时间关系对两个事件的时间相似度是有影响的,根据事件时间关系的定义,下面给出事件时间关系权重定义:
设置事件时间关系权重:若event1和event2为时空事件序列中的两个时空事件,这两个事件发生的时间信息分别为t1和t2,则这两个时空事件的事件时间关系权重RV(t1,t2)计算公式如下:
多粒度时间相似度算法MGTS描述如下:
算法3的输入为事件event1的时间t1、事件event2的时间t2以及给定的时间粒度i,输出为事件event1与事件event2的时间相似度。算法第2行基于给定的时间粒度i,将时间轴从0时开始划分并进行编码,然后t1和t2即可表示为两个字符序列。例如,t1为0时到2时,当时间粒度i为小时,可编码为ab,当时间粒度i为半小时,则编码为abcd。算法第3至5行通过最长公共子序列LCS算法求出两个字符序列的最长公共子序列,并将该最长公共子序列的长度所占比例与event1、event2的事件时间关系权重之积作为事件event1和事件event2的时间相似度。最长公共子序列算法经过优化后,时间复杂度由原来降低为O(nlogn),这也使得算法3的时间复杂度得到了降低,变为O(nlogn)。算法3实现了多种粒度来计算事件之间的时间相似度。
多粒度空间相似度算法MGSS描述如下:
算法4的输入为事件event1的空间位置p1、事件event2的空间位置p2以及给定的空间粒度i,输出为事件event1与事件event2的空间相似度。算法4基于定义2构建了空间位置多叉树,并在空间位置多叉树上构造了一个哈希表。算法第1至2行在空间位置多叉树中寻找p1、p2代表的节点并令其为节点a、b,接着分别找到节点a、b的第i层父节点,算法2至6行从多种粒度来求空间相似度。由于构造了哈希表,所以该算法的时间复杂度变为常数级O(1)。
本发明的实验数据是通过本团队自行开发的智能环境仿真***(SmartEnvironment Simulator Tool)产生的,在该***下用户可以根据研究需要进行智能环境相关参数设置,如智能环境结构布局配置、传感器节点属性设置、模拟行人属性设置等,使得智能环境仿真***模拟的环境能最大程度地接近于真实环境,实现了行为活动仿真与识别、活动数据收集匹配等功能。
MGSSA算法与NW算法对比
时间复杂度对比,不进行粒度调整时,NW算法是从序列第一项到最后一项,一项一项进行比较,一条序列比个遍,所以NW算法的时间复杂度为O(n2)。MGSSA算法根据序列项的可比性的思想,使得序列项的比较次数大大减少,改善了算法效率,所以从序列事件项的比较次数来看MGSSA算法优于NW算法。但是MGSSA算法时间复杂度由序列事件项的比较次数和求解事件项相似度共同决定,求解事件项相似度方法的时间复杂度主要由多粒度活动、时间、空间相似度算法决定,所以MGSSA算法的最坏时间复杂度为O(n2logn)。
在进行粒度调整时,MGSSA算法根据已有的计算结果可以快速调整出结果,即无需重新计算活动相似度、时间相似度或空间相似度,所以MGSSA算法的最好时间复杂度为O(n)。而NW算法每次则需要重新进行计算。下面基于大量仿真得到的序列对两种算法进行运行时间比较实验,实验结果如下图6所示,可知当时空事件序列数量为10、100、1000时,MGSSA算法的平均运行时间均要少于NW算法,所以从平均时间复杂度对比结果来看,MGSSA算法要优于NW算法。
语义完整性对比,NW算法仅是对字符之间的简单比较,字符比较相似度只有1和0的区分,对时空序列相似度计算较为片面和粗糙,缺乏语义方面的考量。本发明的MGSSA算法结合语义提出了新的活动、时间、空间相似度度量方法,能更好地度量事件相似度,反映的信息更丰富更全面,更能符合实际情况。
聚类分析对比,下面以本发明提出的MGSSA算法为相似度计算方法,采用层次聚类法对时空序列进行聚类分析,实验以不同的图案代表不同的类。
从聚类结果中选取一些序列来进行说明,如表3所示,初始粒度下的聚类结果如图7A所示,L3与L6为同一类,L10与L28为同一类,而L1、L15、L20则各为一类。改变活动粒度、空间粒度后,序列的聚类结果也随之改变,如图7B所示,可以看出,粒度变化后原本不在同一类的序列相似度变高,变成了同一类,L1、L3与L10为同一类,L6与L28为同一类,L15与L20为同一类。本实验说明了本发明提出的从多粒度多尺度计算时空序列相似度的模型是有效且合宜的。
表3聚类结果比较
Tab 3 Comparison of clustering results
尽管已经示出和描述了本发明的实施例,本领域的普通技术人员可以理解:在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由权利要求及其等同物限定。
Claims (7)
1.一种智能环境下多粒度时空事件相似度匹配工作方法,其特征在于,包括如下步骤:
S1,在智能环境下采集用户活动类型,建立时空事件序列,对多粒度特性的时空事件序列进行获取;
S2,对获取的多粒度特性时空事件序列匹配事件的时间关系,然后加入事件限制方法;
所述事件限制方法包括:给定一个时间阈值th,其中th>0,进行如下时间限制:
S2-A,时空事件event2在时空事件event1结束时或结束之后发生采用如下限制方法,NoOverlap(event1,event2):
tstart(event2)-th≤tend(event1)≤tstart(event2)+th
或tend(event1)+th≤tstart(event2);
S2-B,时空事件event1与时空事件event2发生的时间上有重叠采用如下限制方法Overlap(event1,event2):tstart(event1)+th≤tstart(event2),
tend(event1)+th≤tend(event2);
S2-C,时空事件event1包含时空事件event2采用如下方法进行限制Contain(event1,event2):tstart(event1)+th≤tstart(event2),tend(event1)≥tend(event2)+th或tstart(event1)+th<tstart(event2),
tend(event2)-th≤tend(event1)≤tend(event2)+th或
tstart(event2)-th≤tstart(event1)≤tstart(event2)+th,
tend(event1)>tend(event2)+th或
tstart(event2)-th≤tstart(event1)≤tstart(event2)+th,tend(event1)<tend(event2)-th;
S2-D,时空事件event1与时空事件event2同时发生并且同时结束采用如下方法进行限制Equal(event1,event2):tstart(event2)-th≤tstart(event1)≤tstart(event2)+th且
tend(event2)-th≤tend(event1)≤tend(event2)+th;
S3,通过事件限制方法,进行时空事件相似度计算,然后开始时空事件可比性过程;
所述S3包括:
基于NW算法的全局最优比对及时空事件相似度计算公式,进行时空序列相似性计算,
开始时空事件序列相似度过程:对于两个时空事件序列的相似度进行匹配计算L1={event11,event12,…,event1n},L2={event21,event22...,event2n},有序列
Li={event11,event12,...,event1i}与
Lj={event21,event22,...,event2j}的比较得分S(i,j)计算公式如下:
S4,开始多粒度时空事件序列比对方法,将用户活动轨迹数据进行收集匹配,并输出至智能终端进行实时查看;
所述S4包括:
S4-1,初始化时空事件相似度矩阵M,根据三种途径从两个序列的第一项开始比较计算并填充时空事件相似度矩阵M;
S4-2,根据时空事件可比性,表示当前比较的两项的时间关系满足Overlap、时空事件Contain、Equal、NoOverlap四种之一才能进行比较,变量temp记录了L1的第i项与L2比较的起始位置j,因此L1的第i+1项只用从L2的第j项开始比较,
S4-3,比较L1的第i项和L2的第j项的两种情况,即L1的第i项的活动类型与L2的第j项的活动类型属于同一大类及不属于同一大类的计算方法;
S4-4,对于通过多粒度活动相似度方法MGAS,多粒度时间相似度方法MGTS,多粒度空间相似度方法MGSS分别在活动粒度i1、时间粒度i2、空间粒度i3下求得的时空事件序列活动相似度、时间相似度、空间相似度,使用活动粒度三维数组granularityact、时间粒度三维数组granularitytime、空间粒度三维数组granularitypos保存起来。
2.根据权利要求1所述的智能环境下多粒度时空事件相似度匹配工作方法,其特征在于,所述S1包括:
给定活动类型集合E={e1,e2,...,en},n为活动类型总数,时空事件表示为一个三元组event=(t,e,p),其中,t=(tstart,tend),tstart为事件的开始时间,tend为事件的结束时间;e为活动类型集E中的某个事件;p为事件发生时用户所在的位置,时空事件具有多粒度的特性,时空事件序列表示为L={event1,event2,...,eventn},其中n为正整数。
3.根据权利要求1所述的智能环境下多粒度时空事件相似度匹配工作方法,其特征在于,所述S2包括:
S2-1,NoOverlap(event1,event2):表示时空事件event2在时空事件event1结束时或结束之后发生,即tend(event1)≤tstart(event2);
S2-2,Overlap(event1,event2):表示时空事件event1与时空事件event2发生的时间上有重叠,即tstart(event1)≤tstart(event2),tend(event1)>tstart(event2)且
tend(event1)<tend(event2);
S2-3,Contain(event1,event2):表示时空事件event1包含时空事件event2,即
tstart(event1)≤tstart(event2),tend(event1)>tend(event2)或
tstart(event1)<tstart(event2),tend(event1)≥tend(event2);
S2-4,Equal(event1,event2):表示时空事件event1与时空事件event2同时发生并且同时结束,即tstart(event1)=tstart(event2)且tend(event1)=tend(event2)。
4.根据权利要求3所述的智能环境下多粒度时空事件相似度匹配工作方法,其特征在于,所述S4-4多粒度活动相似度方法MGAS包括:
基于获取的活动粒度构建活动多叉树,接着在活动多叉树上构造一个哈希表,由于构造了哈希表,算法查找的时间复杂度为常数级O(1),在活动多叉树中找到e1、e2代表的节点并令其为节点a、b,判断节点a、b的第一层父节点是否相同,即判断e1、e2是否属于同一大类,不满足同一大类的则返回0,满足同一大类的则根据给定活动粒度继续求解事件event1和event2的活动相似度,实现了从多种粒度来求活动相似度;
获得节点a和b的第m层父节点,若节点a在活动多叉树中所在层次小于活动粒度i,则令节点a自身为其第m层父节点,同理,若节点b在活动多叉树中所在层次小于活动粒度i,则令节点b自身为其第i层父节点,令节点a的第m层父节点为c,令节点b的第m层父节点为d;然后求解事件event1和event2的活动相似度。
5.根据权利要求4所述的智能环境下多粒度时空事件相似度匹配工作方法,其特征在于,所述S4-4还包括:
S4-A,节点c与节点d为同一节点,则在活动粒度为i时事件event1与事件event2的活动相似度为1;
S4-B,节点c与节点d不为同一节点,且节点c在活动多叉树中的层次等于节点d的层次,此时事件event1与事件event2的活动相似度为从活动二叉树第一层节点到节点c、d的公共节点个数与节点c的层次之比;
S4-C,节点c与节点d不为同一节点,且节点c在活动多叉树中的层次不等于节点d的层次,此时事件event1与事件event2的活动相似度为从活动二叉树第一层节点到节点c、d的公共节点个数与节点c、d中最大层次之比。
6.根据权利要求4所述的智能环境下多粒度时空事件相似度匹配工作方法,其特征在于,所述S4-4多粒度时间相似度方法MGTS包括:
基于获取的时间粒度l,将时间轴从0时开始划分并进行编码,然后t1和t2表示为两个字符序列;通过最长公共子序列LCS算法求出两个字符序列的最长公共子序列,并将该最长公共子序列的长度所占比例与event1、event2的事件时间关系权重之积作为event1和event2的时间相似度;最长公共子序列算法经过优化后,时间复杂度由原来降低为O(nlogn),这也使得时间复杂度得到了降低,变为O(nlogn)。
7.根据权利要求4所述的智能环境下多粒度时空事件相似度匹配工作方法,其特征在于,所述S4-4多粒度空间相似度方法MGSS包括:
基于获取的空间粒度构建了空间位置多叉树,并在空间位置多叉树上构造了一个哈希表;在空间位置多叉树中寻找p1、p2代表的节点并令其为节点a、b,接着分别找到节点a、b的第m层父节点,从多种粒度来求空间相似度;由于构造了哈希表,所以时间复杂度变为常数级O(1)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010523758.9A CN111753888B (zh) | 2020-06-10 | 2020-06-10 | 智能环境下多粒度时空事件相似度匹配工作方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010523758.9A CN111753888B (zh) | 2020-06-10 | 2020-06-10 | 智能环境下多粒度时空事件相似度匹配工作方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111753888A CN111753888A (zh) | 2020-10-09 |
CN111753888B true CN111753888B (zh) | 2021-06-15 |
Family
ID=72675923
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010523758.9A Active CN111753888B (zh) | 2020-06-10 | 2020-06-10 | 智能环境下多粒度时空事件相似度匹配工作方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111753888B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112464056B (zh) * | 2020-11-27 | 2022-08-26 | 国网山东省电力公司建设公司 | 可视化监测*** |
CN112463875B (zh) * | 2020-11-27 | 2021-09-07 | 国网山东省电力公司建设公司 | 孪生数据可视化监测*** |
CN112819513B (zh) * | 2021-01-22 | 2023-07-25 | 北京有竹居网络技术有限公司 | 一种文本链生成方法、装置、设备及介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106372229A (zh) * | 2016-09-08 | 2017-02-01 | 中国科学院遥感与数字地球研究所 | 一种支持复杂语义查询的室内移动对象行为建模方法 |
CN106777920A (zh) * | 2016-11-28 | 2017-05-31 | 北京小度互娱科技有限公司 | 确定最长公共子序列的方法和装置 |
CN107273470A (zh) * | 2017-06-06 | 2017-10-20 | 武汉大学 | 基于变粒度快速GeoHash编码的时空模式挖掘方法 |
CN109241223A (zh) * | 2018-08-23 | 2019-01-18 | 中国电子科技集团公司电子科学研究院 | 行为行踪识别方法及平台 |
CN110232421A (zh) * | 2019-06-21 | 2019-09-13 | 福州大学 | 一种逐级合并od流向时空联合聚类方法 |
CN110543543A (zh) * | 2019-09-10 | 2019-12-06 | 苏州大学 | 一种基于多粒度神经网络的用户移动行为预测方法及装置 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108268597B (zh) * | 2017-12-18 | 2020-10-09 | 中国电子科技集团公司第二十八研究所 | 一种动目标活动概率图谱构建及行为意图识别方法 |
CN110059668B (zh) * | 2019-04-29 | 2020-12-15 | 中国民用航空总局第二研究所 | 行为预测处理方法、装置及电子设备 |
-
2020
- 2020-06-10 CN CN202010523758.9A patent/CN111753888B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106372229A (zh) * | 2016-09-08 | 2017-02-01 | 中国科学院遥感与数字地球研究所 | 一种支持复杂语义查询的室内移动对象行为建模方法 |
CN106777920A (zh) * | 2016-11-28 | 2017-05-31 | 北京小度互娱科技有限公司 | 确定最长公共子序列的方法和装置 |
CN107273470A (zh) * | 2017-06-06 | 2017-10-20 | 武汉大学 | 基于变粒度快速GeoHash编码的时空模式挖掘方法 |
CN109241223A (zh) * | 2018-08-23 | 2019-01-18 | 中国电子科技集团公司电子科学研究院 | 行为行踪识别方法及平台 |
CN110232421A (zh) * | 2019-06-21 | 2019-09-13 | 福州大学 | 一种逐级合并od流向时空联合聚类方法 |
CN110543543A (zh) * | 2019-09-10 | 2019-12-06 | 苏州大学 | 一种基于多粒度神经网络的用户移动行为预测方法及装置 |
Non-Patent Citations (4)
Title |
---|
"Adaptive Management of Multigranular Spatio-Temporal Object Attributes";Elena Camossi 等;《Springer》;20091231;第320-337页 * |
"基于时间序列的轨迹数据相似性度量方法研究及应用综述";潘晓 等;《燕山大学学报》;20191130;第43卷(第6期);第531-545页 * |
"基于轨迹大数据的相似性度量及推荐方法研究";马昂;《中国优秀硕士学位论文全文数据库 信息科技辑》;20200315;第I138-598页 * |
"移动对象轨迹数据挖掘方法研究";袁冠;《中国博士学位论文全文数据库 信息科技辑》;20121015;第I138-25页 * |
Also Published As
Publication number | Publication date |
---|---|
CN111753888A (zh) | 2020-10-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111753888B (zh) | 智能环境下多粒度时空事件相似度匹配工作方法 | |
Yao et al. | Computing trajectory similarity in linear time: A generic seed-guided neural metric learning approach | |
Aggarwal et al. | A survey of uncertain data algorithms and applications | |
Adeniyi et al. | Automated web usage data mining and recommendation system using K-Nearest Neighbor (KNN) classification method | |
Kotsakos et al. | Time-series data clustering | |
Miao et al. | Processing incomplete k nearest neighbor search | |
Sridevi et al. | Imputation for the analysis of missing values and prediction of time series data | |
Yoo et al. | Similarity-profiled temporal association mining | |
Yuan et al. | An efficient trajectory-clustering algorithm based on an index tree | |
WO2023155508A1 (zh) | 一种基于图卷积神经网络和知识库的论文相关性分析方法 | |
Hu et al. | Multi-resolution representation with recurrent neural networks application for streaming time series in IoT | |
Kim et al. | Computing exact skyline probabilities for uncertain databases | |
Huang et al. | Towards an efficient real-time kernel function stream clustering method via shared nearest-neighbor density for the IIoT | |
CN116703531A (zh) | 物品数据处理方法、装置、计算机设备和存储介质 | |
Zhang et al. | Autoce: An accurate and efficient model advisor for learned cardinality estimation | |
Wan et al. | Cd-tree: A clustering-based dynamic indexing and retrieval approach | |
da Cunha et al. | Evolutionary and immune algorithms applied to association rule mining in static and stream data | |
Boyapati et al. | An Analysis of House Price Prediction Using Ensemble Learning Algorithms | |
Hao et al. | The research and analysis in decision tree algorithm based on C4. 5 algorithm | |
Yuan | Representing spatiotemporal processes to support knowledge discovery in GIS databases | |
Ni et al. | Integrated case-based reasoning | |
Pan et al. | A novel self-optimizing approach for knowledge acquisition | |
Sassi et al. | About database summarization | |
Han et al. | Dynamic materialized view management using graph neural network | |
Corral et al. | Multi-way distance join queries in spatial databases |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |