[發明專利]一種基于Flink的實時軌跡co-movement運動模式檢測方法

有效

• 申請號: 201910044540.2
• 申請日: 2019-01-17
• 公開（公告）號: CN109800231B
• 公開（公告）日: 2020-12-08
• 發明（設計）人: 高云君;陳璐;房子荃;潘璐
• 申請（專利權）人: 浙江大學
• 主分類號: G06F16/22
• 分類號: G06F16/22;G06F16/28;G06F16/2458
• 代理公司: 杭州求是專利事務所有限公司 33200
• 代理人: 邱啟旺

本發明公開了一種基于Flink的實時軌跡co?movement運動模式檢測方法，該方法的步驟如下：(1)對應用中某段時間的實時軌跡數據進行收集，得到樣本數據；(2)對得到的樣本數據根據時間戳進行離散化得到多個快照；(3)利用步驟(2)中得到的每個快照，對其數據構建GR?index，得到相應的空間劃分；(4)在聚類階段，根據步驟(3)中得到的空間劃分，對其中的數據進行范圍查詢以及使用DBSCAN方法聚類；(5)在枚舉階段，對步驟(4)中得到的聚類后的每個快照使用基于id的分區技術，實時枚舉，輸出每個時間片符合約束條件的co?movement運動模式。本發明極大地提高了運動模式檢測的效率，提供了最佳的性能。

技術領域

本發明涉及計算機大數據領域中軌跡數據挖掘技術，特別是涉及一種基于Flink和實時軌跡數據的co-movement運動模式檢測方法。

背景技術

隨著定位設備的流行，使得大量的軌跡以時空序列記錄形式從各種設備中持續不斷地產生。實時軌跡數據區別于靜態數據，是由多個移動對象持久不斷生成的數據序列。目前對于靜態軌跡數據的分析技術已趨于成熟，而實時軌跡數據由于其復雜性以及重要性，對其的分析技術成為了研究熱點。

Apache Flink是一個處理流數據以及批數據的開源系統，Apache Flink的發起者認為無論批數據還是流數據，關于它們的很多實際應用場景都能夠使用數據流進行表達與定義，因此很多實際應用都可以通過單一運行模型整合起來。它為實時軌跡流數據的處理提供了高吞吐以及低延時的保證。

運動模式檢測是軌跡分析的一種重要類型，在基于位置的服務、動物行為研究、社會推薦等方面具有重要的應用價值，co-movement運動模式就是軌跡運動模式中的一種。現有的軌跡運動模式檢測研究只關注歷史數據，然而這些離線算法已經不能滿足流數據實時分析的需要，因為針對歷史靜態數據的問題定義不能直接遷移到實時環境中。此外，對于實時軌跡數據，研究的問題主要是簡單的范圍查詢以及最近鄰求解，在分布式框架內對實時軌跡數據進行運動模式分析的工作存在大量空白。

發明內容

針對現有技術的不足，本發明提供一種基于Flink的實時軌跡co-movement運動模式檢測方法，該方法基于Flink分布式數據處理平臺，先在聚類階段對移動對象實時聚類，而后在枚舉階段根據實時聚類結果實時枚舉出符合約束條件的軌跡co-movement運動模式。

為了達到上述目的，本發明所采用技術方案如下：一種基于Flink的實時軌跡co-movement運動模式檢測方法，該方法的步驟如下：

(1)對應用中某段時間的實時軌跡數據進行收集，得到樣本數據；

(2)對得到的樣本數據根據時間戳進行離散化得到多個快照；

(3)利用步驟(2)中得到的每個快照，對其數據構建GR-index，得到相應的空間劃分；

(4)在聚類階段，根據步驟(3)中得到的空間劃分，對其中的數據進行范圍查詢以及使用DBSCAN方法聚類；

(5)在枚舉階段，對步驟(4)中得到的聚類后的每個快照使用基于id的分區技術，實時枚舉，輸出每個時間片符合約束條件的co-movement運動模式。

進一步的，所述步驟(2)具體為：

(2.1)將處于同一個時間段的移動對象數據聚集到一起，給定一個時間片長度和時間片起始時刻，將實際時間轉換成時間片；

(2.2)將擁有相同時間片的移動對象放在一起處理，并且會追蹤移動對象更新后的時間片信息last time；

(2.3)根據時間片信息確保移動對象有序的被處理，并且可以確認某一時間片的移動對象位置丟失是由于本身還是Flink操作失誤所致；最后得到多個快照，每個快照內的移動對象的時間片信息相同。