Trajectory Data Mining

轨迹数据挖掘是一个涉及处理和分析随时间记录的物体移动路径数据的过程，这些数据通常由位置采集技术和移动计算技术生成。随着这些技术的进步，产生了大量的空间轨迹数据，这些数据记录了各种移动物体（如人、车辆和动物）的移动性。 在介绍性的部分，文章指出一个空间轨迹是由地理空间中移动物体生成的轨迹，通常通过一系列按时间顺序排列的点表示，例如，p1→p2→···→pn，每个点由地理空间坐标构成。空间轨迹数据挖掘可以应用于多种数据格式，如图、矩阵和张量等，从而将更多的数据挖掘和机器学习技术应用于此。 文章按顺序介绍了轨迹数据挖掘的几个主要方面，包括轨迹数据的提取、预处理、管理，以及轨迹数据的各种挖掘任务。这些挖掘任务包括轨迹模式挖掘（trajectory pattern mining）、异常检测（outlier detection）、轨迹分类（trajectory classification）等。研究者们通过系统性的调查，对这些现有技术之间的联系、相关性以及差异进行了探讨，并提供了该领域研究的概览和研究主题的范围。 在处理和管理轨迹数据方面，已经提出了许多技术，这些技术促进了广泛的应用。例如，轨迹压缩（trajectory compression）技术能够减少表示轨迹所需的存储空间，而轨迹索引与检索（trajectory indexing and retrieval）则专注于快速检索和访问轨迹数据。轨迹不确定性的处理方法（trajectory uncertainty）有助于理解和度量轨迹数据的不确定性。 此外，文章还探讨了将轨迹数据转化为其他数据格式的方法。这些方法允许将轨迹数据与其他数据挖掘和机器学习技术结合，为轨迹数据提供了更丰富和多样的分析可能性。 文章列举了一些公开的轨迹数据集，这些数据集对于研究和开发提供了宝贵的资源，并有助于领域内专家快速掌握轨迹数据挖掘这一领域。 在更广泛的范围内，轨迹数据挖掘的研究与数据库管理（H.2.8）、数据挖掘、空间数据库和GIS，以及人工智能（I.2.6）、学习、知识获取等领域紧密相关。它还涉及到算法、测量和实验等一般术语，并为该领域的研究提供了重要的参考文献。 文章的目标是为轨迹数据挖掘领域提供一个全面的概览，并为社区中的研究人员和从业者快速理解该领域提供便利。这一领域还处于发展阶段，随着技术的进步和新应用的出现，可以预见会有更多的研究和开发工作投入其中。