时空轨迹数据挖掘及其隐私保护方法研究

With the prevalence of GPS-enabled devices and wireless communications technologies, a large number of trajectory data of moving objects have been collected and stored. The trajectories contain a large amount of temporal and spatial semantic information, and a great deal of valuable information can be obtained by mining and analyzing the trajectory dataset. However, users' personal privacy information will also be threatened. Therefore, it is necessary to study the trajectory analysis and its privacy preserving methods. In this project, based on the latest research achievements of spatio-temporal data mining and trajectory privacy preserving, we will study on the methods of trajectory model construction, trajectory data mining and privacy-preserving trajectory data publishing. The main contents include: 1) fully exploit the inherent information and prior knowledge in trajectory data to construct a trajectory model and a privacy model; 2) research on the related trajectory analysis technologies, innovate and design the method of trajectory outlier detection; 3) propose a trajectory clustering method based on twice weighted similarity measurement model; 4) address the problem of privacy preserving in current trajectory analysis. The study of this project will break through the limitations of current trajectory outlier detection methods and improve the accuracy of trajectory clustering and analysis, protect the location and trajectory privacy information while considering the trajectory data availability, and thus better serve in the fields including path recommendation and user behavior pattern mining.

随着GPS设备和无线通信技术的普及，大量移动对象的轨迹数据被搜集和存储。轨迹数据中包含丰富的时空语义信息，通过挖掘和分析可以从中获取大量有价值的信息，然而，用户的个人隐私同时也会受到威胁。因此，针对轨迹数据挖掘及其隐私保护方法的研究很有必要。本项目基于时空数据挖掘和轨迹隐私保护的最新研究进展，对轨迹模型的构建、轨迹数据挖掘和轨迹数据发布隐私保护方法等问题进行研究。主要内容包括：1）充分挖掘轨迹数据中固有信息及先验知识，构建时空轨迹及隐私模型；2）研究轨迹数据挖掘相关技术，创新并设计基于连续公共分片子序列的离群轨迹检测方法；3）提出基于二次加权相似性度量模型的轨迹聚类方法；4）系统解决目前轨迹数据发布中的隐私保护问题。本项目的研究可突破现有离群轨迹检测方法的局限，提升轨迹聚类和分析的精度，兼顾位置/轨迹隐私信息的保护以及轨迹数据的可用性，从而更好地服务于路径推荐、用户行为模式挖掘等领域。

移动对象的轨迹数据蕴含着丰富的时空语义信息，通过挖掘和分析可以从中发现大量有价值的知识，然而，用户的个人隐私同时也会受到威胁。因此，针对轨迹数据挖掘及其隐私保护方法的研究具有很大的应用价值。本项目的执行遵照项目任务书计划，围绕项目中时空轨迹模型及其隐私保护模型的研究、离群轨迹检测方法研究、时空轨迹相似性聚类方法研究和基于轨迹聚类的轨迹数据发布隐私保护方法研究等重要内容开展研究工作，取得了如下的一系列研究成果。基于多种轨迹异常情形设计了多种轨迹离群点检测方法，提出一种新的基于连续公共分片子序列的离群轨迹检测方法，有效地检测了分片和轨迹异常值，提高了轨迹异常检测的准确性和稳定性，解决了具有连续多段异常的离群轨迹检测问题；提出了一种新的基于多重特征度量相似性的轨迹聚类算法，可以最大化同一簇集中轨迹的相似性，提高聚类的准确性；进一步实现了基于轨迹数据的停留点检测和停留点聚类并应用于道路拥堵检测问题中；提出了多种面向轨迹数据发布的隐私保护方法，在保护用户隐私信息的同时，有效地提高了轨迹发布数据的可用性；探讨轨迹数据挖掘方法在城市居民出行行为分析、智能交通控制等领域的应用问题。本项目将时空轨迹数据处理、隐私保护与现实应用进行有机结合，为旅游路径推荐、用户行为模式挖掘、交通监控和道路拥堵检测等领域的研究提供新的思路和方法。项目执行期间，已在IET ITS、APIN、IDA、CCPE、SCN、IJGI、MIS、电子学报等国内外学术期刊发表及录用相关学术论文21篇，其中SCI收录14篇，EI收录1篇；申请发明专利10项（授权2项），登记软件著作权4项。在本项目的支持下，培养博士生1名和硕士生12名；完成了预期的研究目标。