城市计算

城市计算是一个交叉学科，它以城市为背景，是计算机科学、城市规划、交通、能源、环境、社会学、管理学和经济学等多个学科融合的新兴领域。城市计算通过不断获取、整合和分析城市中多源异构大数据来解决城市所面临的挑战（如环境恶化、交通拥堵、能耗增加、规划落后等）。

图1 城市计算的基本框架

城市计算将无处不在的感知技术、高效的数据管理和分析算法，以及新颖的可视化技术相结合，致力于提高人们的生活品质、保护环境和促进城市运转效率。城市计算帮助我们理解各种城市现象的本质，甚至预测城市的未来。轨迹数据挖掘是城市计算框架中的一部分，下面介绍一下2015年郑宇博士撰写的文献综述。

轨迹数据挖掘综述

文献：Yu Zheng. Trajectory Data Mining: An Overview. ACM Transaction on Intelligent Systems and Technology. 2015, 6(3): 1-41.

随着位置采集技术和移动计算技术的进步，空间中人、车和动物等移动物体产生了大量的空间轨迹数据。文章对轨迹数据挖掘领域中的新兴技术做出了系统性的综述。

通常，一条空间轨迹可以在地理空间中表示为点的有序集合，p₁→p₂→…→p_n，其中每一个点都由经纬度坐标和时间戳信息组成，p=(x,y,t)。空间轨迹数据可按照人、交通工具、动物以及自然现象等移动物体分为四类。

论文建立了轨迹数据挖掘的框架，明确了各项轨迹数据挖掘任务的定位，总结了各项任务的研究方法和应用，并提供了研究中的一部分公开数据集。

论文首先对用有序点集表示的空间轨迹建立了轨迹数据挖掘框架，如图2所示，轨迹数据挖掘任务主要包括：轨迹数据预处理、轨迹数据数据管理、轨迹不确定性处理、轨迹模式挖掘、轨迹分类和异常轨迹检测等。除此之外，空间轨迹也可以表示为其他形式，例如矩阵、张量、图等，并采用对应的数据挖掘技术进行处理。

图2 轨迹数据挖掘框架

由于轨迹数据具有采样频率差异性、数据质量差等特点，所以当我们获取了轨迹数据之后，首先要进行的是轨迹数据预处理。轨迹预处理包括五个步骤：噪声过滤、停留点检测、轨迹压缩、轨迹划分和地图匹配。其中，噪声过滤使用的方法有均值过滤/中位数过滤，卡尔曼滤波/粒子滤波以及基于启发式的异常点检测；停留点分为静止不动和区域徘徊两种，检测的方法采用基于启发式的算法；轨迹压缩可以分为离线压缩和在线压缩，使用的方法有Douglas-Peucker算法和滑动窗口算法；轨迹划分使用的方法有基于时间间隔的划分，基于轨迹形状的划分和轨迹中语义信息的划分；地图匹配是指将经纬度坐标转换成路段信息的过程，使用的方法有局部匹配、全局匹配和综合匹配方法。

轨迹数据管理，包括轨迹的索引与检索和轨迹相似性的计算。其中，轨迹的索引与检索使用的方法有范围查询和最近邻查询；轨迹相似性度量的方法分为点线距离，线线距离和轨迹段之间的距离三类。

轨迹不确定性处理，分为两种情况，分别是对轨迹中不确定信息的补全和对过于详细信息的隐私保护。在补全轨迹信息的过程中，对于有路网形状限制的轨迹数据，可以通过利用与之相似的轨迹数据进行交互补全；对于无路网形状限制的轨迹，可在建立轨迹网格后依据查询点补全其路线。出于保护用户隐私的目的，我们需要对信息中过于详细的部分进行隐私化。

随后，文章介绍了轨迹数据挖掘的具体应用，分别是轨迹模式挖掘、轨迹分类和异常轨迹检测。

轨迹模式包括多条轨迹的共同出行模式、时序模式和周期模式。轨迹分类是指将一条轨迹分段，并为每个轨迹段标注对应的语义信息，从而提升轨迹的应用能力。异常轨迹监测分为两类，一类是通过聚类算法从一系列轨迹中区分出异常轨迹，另一类是通过对比已有的轨迹挖掘模式检测异常事件。

最后，作者公开了在轨迹挖掘任务中使用的一部分数据集，包括Geolife项目数据集，T-Drive项目数据集以及动物移动和自然现象的数据集等。

备注：2019年11月12日晚上，“糖果之家”相约星期二，“大数据与智能决策”讨论班（Seminar）继续开讲，本次讨论班以“城市计算与轨迹数据挖掘”为题，共讨论了一篇文献，由博士生进行讲解，共有青年教师、博士后、博士生和硕士生20人参加。