目标行为序列模式挖掘是一种数据挖掘方法，它旨在从大量的目标航迹数据中发现潜在的行为模式。这类方法在数据分析领域有着广泛的应用，如违法犯罪行为识别、态势数据分析和计算机系统入侵检测等。
陈勇在其研究中提出了一种新的目标行为序列模式的数据挖掘方法，该方法主要包括三个步骤：形成目标行为序列数据、计算并设定挖掘过程参数以及开始挖掘分析计算过程。挖掘分析计算过程是一个循环迭代的过程，随着算法的推进，可以挖掘出更多更长的序列规则。这种方法能够从目标运动数据中发现目标行为序列模式，并且具有较好的可扩展性。
在传统的序列模式挖掘算法中，大多数是针对交易型数据设计的，而这些算法在处理长期观测数据时，往往需要通过滑动窗口将连续的观测数据分割成若干个数据片段。这种做法虽然能够处理数据，但可能会破坏数据的时序特性，导致部分潜在的序列规则被遗漏。陈勇的方法则是在不破坏数据时序特性的前提下，将所有目标的运动航迹点按照时间排列为一个观测序列，并以此为对象设计挖掘算法，从而确保挖掘结果的全面性和完整性。
该方法的关键在于设置适当的挖掘参数，例如频繁度、航迹点之间最大和最小间隔等要求，以便于根据具体需求调整挖掘策略。在实际应用中，目标的活动情况可以表示为观测到的航迹点序列，其中每个航迹点代表一个事件，包含目标名称、出现的时间和位置、活动情况和目标的自身属性等信息。通过分析这些数据，研究者可以发现目标的潜在活动规律，从而挖掘出目标行为序列模式。
例如，在货物走私的案例中，大型船只作为走私载体通常首先出现在国境线附近的公海处。随后，为了接应走私货物，会有若干小型船只靠近大型船只，并在取得货物后离开。这种行为模式的反复出现，可以被识别为一种特定的序列模式。在军事领域，不同武器平台执行任务时，也会根据任务需求展现一定的行为时序规律。
此外，该方法的试验结果表明其有效性与可扩展性，显示出在实际操作中的可行性和潜力。通过该算法，研究者可以更深入地理解目标行为的规律性，并在不同领域中实现应用价值。陈勇的研究工作不仅推动了序列模式挖掘方法的发展，还对数据挖掘领域做出了重要贡献。
