基于时空上下文数据的关联关系挖掘与推理技术研究

Spatial-temporal based big data mining aims to extract hidden knowledge and spatial-temporal relationships from human's daily context information. This technology is widely used in transportation, biological, public security, climate, population census and other fields. The location-based spatial-temporal data is the most common and important context in our lives, but also a complex, heterogeneous environments. This project will use semantic context description model to study the spatial and temporal reasoning method of location information associated with mining. There are four aspects proposed: 1 ) Multi-source and multi-dimensional representation theory and spatial-temporal data modeling, based on which we are trying to establish a unified semantic description of spatial- temporal data model. 2 ) The graph modeling, we try to clarify complex big data with temporal and spatial variation of pattern features and association from a point of time and space. 3 ) Behavior based semantic reasoning techniques, according to find out the patterns of behavior characteristics , predicting unknown events. 4 ) Group relationship mining study, learning group behavior activities patterns and user generated content techniques.

时空数据关联挖掘是对时空数据中非显性知识、时空关系等模式的自动提取。其在交通、生物、公共安全、气候、人口普查等领域等有广泛的用途。基于地理位置的时空上下文数据，是生活中最普通也是最重要的基础数据，同时也是一种复杂的异构环境应用。本项目基于多种时空轨迹数据，采用语义化的上下文描述模型，研究时空位置信息的关联关系推理方法与挖掘技术。拟从四个方面展开：1）多源时空数据的多维度表示理论与模型研究，建立时空数据及时空变化的统一语义描述模型；2）基于概率图模型的关联关系挖掘，从统计学角度阐明时空数据与时空变化的模式特征与关联关系；3）基于行为语义的上下文推理技术研究，根据挖掘出的行为模式特征，进行未知事件的推理预测；4）面向群体用户的空间关联模型研究，挖掘群体活动的行为模式以及对事件的演进路径进行分析。

时空数据关联挖掘是对时空数据中非显性知识、时空关系等模式的自动提取。其在交通、生物、公共安全、气候、人口普查等实际应用场景中具有广泛的用途。本项目基于多种时空轨迹数据，采用语义化的上下文描述模型，针对基于地理位置时空上下文数据的复杂异构特点，研究时空位置信息的关联关系推理方法与挖掘技术。研究成果主要包括：1) 为了解决在移动通信网络中不同关系类别的数据量不平衡，且当已知关系标签的数量很小时，关系预测准确性不够好的问题，提出了一个基于支持向量机和朴素贝叶斯算法的半监督式社会关系推断模型。2）出于对移动数据高维特性且其在单个模型中难以进行多上下文推理的考虑，提出了一种基于张量分解，提取具有多个表达式的人类移动模式模型，然后基于移动模式合成未来的移动事件的预测方式。3）为了解决现有的预测方法会遇到冷启动的问题，提出了一种基于活动模式的位置预测方法，在该方法中通过建立模型预测个体的下一个活动的方式，间接预测个体的下一个位置。4)为了解决现有的在线相似性学习算法由于其高内存消耗及计算复杂性造成的针对高维任务效率低的问题，引入了几种稀疏的在线相对相似性学习算法，在学习过程中学习稀疏矩阵模型，从而提升其处理高维任务的效率。5）针对现代交通方式中，车辆数量和交通密度急剧增加，车速等数据变化频繁的问题，提出了一种准确描述交通流速度和密度关系的新方法。6）为了解决移动设备在进行上下文感知时，容易出现的低效和资源浪费问题，提出了一种基于众包的云服务框架，从而更加高效的发现和选择相应的云服务。