9月24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“时空周期模式挖掘”和“事件抽取”为题，共讨论了两篇文献，由两名博士生进行讲解，共有青年教师、博士后、博士生和硕士生19人参加，以下是“时空周期模式挖掘”内容简介及文献信息。

基于轨迹数据的时空周期模式挖掘

   轨迹数据挖掘任务主要包括：轨迹数据预处理（噪声清洗、分段、停留点检测、压缩、地图匹配）、轨迹数据数据管理（索引与检索）、轨迹模式挖掘（时序模式、周期模式、共同移动模式、伴随模式等）、异常轨迹检测和轨迹分类等。时空周期模式挖掘是轨迹模式挖掘的重要研究内容之一。

    移动对象经常有一些周期性的活动行为，例如购物行为、动物的定期迁移行为等，通过挖掘此类轨迹可以预测移动对象未来的行为。一般将周期模式挖掘分为完全周期模式、部分周期模式、同步周期模式、异步周期模式等。

文献：Mining hierarchical semantic periodic patterns from GPS-collected spatio-temporal trajectories[J]. Expert Systems With Applications, 2019, 122: 85–101.

    人们的行为都遵循一定的周期模式，比如鲍勃每天上班，或者每周六下午去购物中心购物，周期模式揭示了在某一特定地点以固定的时间间隔重复的行为。由汽车、智能手机和传感器等支持GPS的设备生成的大量的代表物体运动的时空轨迹数据，为时空周期模式挖掘提供了新的机会。找到隐藏的、有价值的周期模式有助于从表示运动对象的时空轨迹中了解重复发生的规律性行为。

    这些GPS收集的轨迹数据集再现了真实世界的运动现象，因此，基于时空轨迹的周期模式挖掘必须考虑时空轨迹的以下特点。它们是：（1）参考点检测的空间性和时间性特征。轨迹是空间位置的序列，其中每个位置都与描述对象运动的时间戳相关联。因此，在同时考虑空间和时间信息的情况下，可以挖掘出更有效的周期模式；（2）参考点检测的背景语义信息。时空轨迹捕捉现实世界对象的运动，现实世界现象有三个维度：空间性、时间性和空间语义。因此，在时空周期模式挖掘中考虑空间语义是非常重要的；（3）时空数据固有的层次性。考虑到空间的层次性，可以挖掘出更多隐藏的周期模式；（4）不规则时空轨迹数据的周期检测。实际上，由于天气状况、电池故障和设备故障，很难以固定的时间间隔获得时空轨迹数据。因此，一个鲁棒的时空轨迹周期模式挖掘算法必须能够处理这种时空轨迹的不规则性。

    本文在从不规则采样的时空轨迹中检测参考点时，综合考虑所有时空轨迹数据的特点：空间性、时间性、语义和层次性；提出一种层次语义周期模式挖掘方法，以发现层次周期模式；在三个真实数据集上的实验结果证明了该方法对周期模式挖掘方法的有效性。

    我们可以利用这些层次周期模式进行更好的决策。例如，城市规划者能够根据人们的行为，对有限的资源进行统筹分配。显然，层次语义位置的周期模式可以帮助城市规划者根据人们的周期性运动，在整个区域内公平地分配有限的资源。