计算机科学
計算機科學
계산궤과학
COMPUTER SCIENCE
2013年
9期
254-256,269
,共4页
轨迹数据流%滑动窗口%密度聚类%偏倚采样
軌跡數據流%滑動窗口%密度聚類%偏倚採樣
궤적수거류%활동창구%밀도취류%편의채양
Trajectory data stream%Sliding window%Density clustering%Bias sampling
对于移动计算领域的移动对象轨迹数据流的管理,最普遍采用的技术手段是采样技术,而传统的均匀采样易丢失一些关键的变化数据,造成信息丢失现象.针对这一问题,提出一种基于概率密度聚类的数据流偏倚采样算法.该算法在滑动窗口模型下,充分利用了轨迹数据流自身的分布特性,结合偏倚采样算法思想克服了均匀采样的数据丢失问题.算法首先采用基于数据存在密度的聚类技术将滑动窗口划分为强簇、弱簇和过度簇,然后针对不同的簇给予不同的采样率,进行偏倚采样,进而得到最终的数据流摘要.经过实际数据集的实验检测,证明算法较好地保证了采样质量,并具有较快的数据处理能力.
對于移動計算領域的移動對象軌跡數據流的管理,最普遍採用的技術手段是採樣技術,而傳統的均勻採樣易丟失一些關鍵的變化數據,造成信息丟失現象.針對這一問題,提齣一種基于概率密度聚類的數據流偏倚採樣算法.該算法在滑動窗口模型下,充分利用瞭軌跡數據流自身的分佈特性,結閤偏倚採樣算法思想剋服瞭均勻採樣的數據丟失問題.算法首先採用基于數據存在密度的聚類技術將滑動窗口劃分為彊簇、弱簇和過度簇,然後針對不同的簇給予不同的採樣率,進行偏倚採樣,進而得到最終的數據流摘要.經過實際數據集的實驗檢測,證明算法較好地保證瞭採樣質量,併具有較快的數據處理能力.
대우이동계산영역적이동대상궤적수거류적관리,최보편채용적기술수단시채양기술,이전통적균균채양역주실일사관건적변화수거,조성신식주실현상.침대저일문제,제출일충기우개솔밀도취류적수거류편의채양산법.해산법재활동창구모형하,충분이용료궤적수거류자신적분포특성,결합편의채양산법사상극복료균균채양적수거주실문제.산법수선채용기우수거존재밀도적취류기술장활동창구화분위강족、약족화과도족,연후침대불동적족급여불동적채양솔,진행편의채양,진이득도최종적수거류적요.경과실제수거집적실험검측,증명산법교호지보증료채양질량,병구유교쾌적수거처리능력.
