轨迹挖掘——轨迹模式挖掘
从轨迹数据中挖掘出行模式主要分为四类：共同移动模式、轨迹聚类、时序模式和周期性模式。共同移动模式包括群、车队、大群和出行合成，每种模式有其定义和特点。轨迹聚类方法基于路网或轨迹段进行聚类，包括自增长的轨迹段聚类方法。时序模式通过线性简化、聚类和后缀树方法挖掘，用于分析事件如庆祝和集会。周期性模式利用最大周期模式、频繁项集和傅里叶变换进行分析。这些方法帮助从轨迹数据中提取出行行为的特征和模式。
从一条轨迹或者从一组轨迹中挖掘出行模式可以分为四类：
1）共同移动模式
2）轨迹聚类
3）时序模式
4）周期性的模式
1）共同移动模式
在特定形状的区域内，多个实体连续k个时间点同时移动。由于群的定义不够精确，可能会出现误判的情况。
convoy（护卫，车队）任意形状，通过密度来确定一个区域
对于整个群体而言，上面两个条件都必须满足连续性。这个算法本身并不需要连续性。
traveling companion（出行合成）：实时地探测上述模式的算法
为了识别事件：庆祝与集会等。
需要考虑两个关键因素：首先，几何位置具有稳定性；其次，一个事件由多个聚集点组成，每个聚集点需要至少包含多个参与者。同时，每个参与者必须同时属于至少两个聚集点。
2）轨迹聚类
1 比较两条轨迹直接的相似度，但是特征向量比较难刻画
2基于路网的轨迹聚类：把轨迹转化为路网，然后对路网进行聚类
3不基于路网的轨迹聚类：
3.1对整个轨迹进行聚类
3.2 对轨迹段进行聚类
3.3 用时较少的自增长的轨迹段聚类方法。
3）从轨迹中挖掘时序模式
L1+L2+L4 是时序模式
第一种方法是基于线性简化方法：
将一段轨迹简化，然后比较相似度
第二种是基于聚类的方法：
基于密度聚类，将点聚集在一起，然后轨迹可以用聚类点表示
第三种方法利用了后缀树结构（在路网中）：如上图B所示。
4）从轨迹数据中挖掘周期性模式
最大周期模式
频繁项集
傅里叶变换