馮健文

摘要：射頻識(shí)別（RFID）技術(shù)應(yīng)用廣泛，但移動(dòng)對象RFID軌跡（RFID-STR）數(shù)據(jù)挖掘研究較少，不能體現(xiàn)數(shù)據(jù)的社會(huì)和應(yīng)用價(jià)值。針對數(shù)據(jù)預(yù)處理難度大、缺乏有效語義軌跡挖掘方法、知識(shí)可視化技術(shù)少等問題，結(jié)合過程發(fā)現(xiàn)、LDA模型、聚類算法、軌跡數(shù)據(jù)可視化等技術(shù)，把RFID-STR數(shù)據(jù)映射到業(yè)務(wù)過程模型，提出基于LDA的RFID-STR數(shù)據(jù)特征知識(shí)提取方法，重點(diǎn)闡述RFID-STR數(shù)據(jù)挖掘方法的軌跡數(shù)據(jù)預(yù)處理、軌跡知識(shí)提取和知識(shí)可視化階段。為解決RFID數(shù)據(jù)的軌跡搜索與分析技術(shù)提供新的技術(shù)途徑。

關(guān)鍵詞：RFID;LDA;軌跡挖掘

中圖分類號(hào)：TP311? ? ? ? 文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：1009-3044（2022）09-0008-03

開放科學(xué)（資源服務(wù)）標(biāo)識(shí)碼（OSID）：<E：＼2022知網(wǎng)文件＼8-9＼9＼1xs202109＼Image＼image1_1.png>

1 引言

物聯(lián)網(wǎng)、移動(dòng)互聯(lián)網(wǎng)技術(shù)的飛速發(fā)展催生了大量的移動(dòng)對象時(shí)空軌跡（spatio-temporal trajectories，STR）數(shù)據(jù)，這些數(shù)據(jù)蘊(yùn)含了群體對象的泛在移動(dòng)模式與規(guī)律，還揭示了社會(huì)演化的內(nèi)在機(jī)理，有重要的社會(huì)和應(yīng)用價(jià)值[8]。軌跡數(shù)據(jù)挖掘已成為數(shù)據(jù)挖掘領(lǐng)域的一個(gè)重要新興分支，是當(dāng)前的研究熱點(diǎn)[1]。

射頻識(shí)別（RFID）技術(shù)是標(biāo)識(shí)移動(dòng)對象的主流方式，在金融、物流、地鐵、旅游、超市、校園卡、企業(yè)卡、運(yùn)動(dòng)等領(lǐng)域廣泛應(yīng)用。但相比安裝GPS設(shè)備的出租車、公交車等軌跡數(shù)據(jù)研究[2-4]，移動(dòng)對象RFID軌跡（RFID-STR）數(shù)據(jù)挖掘的研究相對滯后。一方面，RFID軌跡數(shù)據(jù)雖有時(shí)空序列性，但沒有明顯的業(yè)務(wù)流程開始和結(jié)束標(biāo)記，RFID應(yīng)用業(yè)務(wù)點(diǎn)間多數(shù)沒有關(guān)聯(lián)和約束，不同業(yè)務(wù)點(diǎn)可能存在數(shù)據(jù)和語義異構(gòu)，加大了數(shù)據(jù)預(yù)處理的難度;另一方面，特定領(lǐng)域內(nèi)的移動(dòng)對象有不同的角色定義、活動(dòng)環(huán)境和語義，現(xiàn)有研究多側(cè)重軌跡挖掘結(jié)果，而忽視特定領(lǐng)域的軌跡語義歸納和可視化研究，不能直接應(yīng)用于RFID-STR數(shù)據(jù)挖掘，較難從挖掘結(jié)果解釋用戶的行為，影響了分析和應(yīng)用效果。

近幾年，起源于文本處理的狄利克雷分布模型（LDA，latent Dirichlet allocation）憑借提取興趣主題的多樣性和簡單性、數(shù)據(jù)降維、異構(gòu)數(shù)據(jù)建模、語義歸納等優(yōu)點(diǎn)[9]，在手機(jī)數(shù)據(jù)特征提取[5]、出租車軌跡模式[2]、社交數(shù)據(jù)特征分析[6]、城市功能區(qū)分析[7]等語義軌跡挖掘應(yīng)用取得了較好效果。而過程發(fā)現(xiàn)（process discovery）技術(shù)已在社會(huì)關(guān)系挖掘[10]、面向電子郵件的組織結(jié)構(gòu)挖掘[11]和一卡通過程挖掘等非業(yè)務(wù)流程特征日志數(shù)據(jù)應(yīng)用成功使用。把過程發(fā)現(xiàn)技術(shù)引入RFID-STR數(shù)據(jù)預(yù)處理中，可建立基于時(shí)間閥值的數(shù)據(jù)軌跡分段方法，便于進(jìn)行業(yè)務(wù)點(diǎn)的關(guān)聯(lián)分析和用戶特征模式挖掘。

因此，本文結(jié)合過程發(fā)現(xiàn)技術(shù)和LDA主題模型理論，提出一種RFID-STR數(shù)據(jù)挖掘方法，為解決RFID數(shù)據(jù)的軌跡搜索與分析技術(shù)提供新的技術(shù)途徑。

2 國內(nèi)外研究現(xiàn)狀分析

軌跡挖掘（Trajectory Mining）一直是科學(xué)研究熱點(diǎn)。高強(qiáng)[12]和許佳捷[1]對軌跡大數(shù)據(jù)處理關(guān)鍵技術(shù)和應(yīng)用進(jìn)行綜述，表示軌跡數(shù)據(jù)價(jià)值巨大，但研究成果應(yīng)用還面臨挑戰(zhàn)，研究工作側(cè)重軌跡數(shù)據(jù)預(yù)處理、軌跡數(shù)據(jù)挖掘、數(shù)據(jù)可視化和隱私信息保護(hù)。

在數(shù)據(jù)預(yù)處理方面，主要研究數(shù)據(jù)清洗、軌跡壓縮、軌跡分段、路網(wǎng)匹配、軌跡數(shù)據(jù)模型和語義軌跡等。軌跡分段是對長時(shí)段軌跡的切分與標(biāo)注，可降低計(jì)算復(fù)雜度，提供豐富的語義，是預(yù)處理的重點(diǎn)研究問題。主流方法有基于時(shí)間閥值、幾何拓?fù)浜蛙壽E語義策略。Zheng利用軌跡數(shù)據(jù)學(xué)習(xí)獲得停留點(diǎn)對軌跡分段，從而獲得熱門旅游景點(diǎn)區(qū)域[13]。曹衛(wèi)權(quán)提出了一種基于“極大穩(wěn)定分段閾值”的時(shí)空模式挖掘方法解決單一、固定的分段粒度問題[14]。孫艷在RFID物流跟蹤系統(tǒng)中，采用基于最小描述長度（MDL）的方法把軌跡劃分成若干coarse分段，然后按照劃分的基本單位將分段進(jìn)一步劃分為fine分段 [17]。對于時(shí)間閥值的使用多根據(jù)業(yè)務(wù)場景主觀確定，這種方法對于有明顯開始結(jié)束節(jié)點(diǎn)的軌跡數(shù)據(jù)適用，但對于RFID中非業(yè)務(wù)過程特征的數(shù)據(jù)較難使用，目前研究較少。

過程發(fā)現(xiàn)是業(yè)務(wù)流程管理（BPM）領(lǐng)域挖掘的重要方法，目標(biāo)是從事件記錄中提取反映業(yè)務(wù)流程特征和知識(shí)。隨著研究工作的深入，IEEE成立了過程挖掘工作組（ITFPM，http：//www.win.tue.nl/ieeetfpm）。目前，過程發(fā)現(xiàn)技術(shù)已進(jìn)入云服務(wù)挖掘、業(yè)務(wù)流程大數(shù)據(jù)挖掘、用戶網(wǎng)絡(luò)行為軌跡挖掘等領(lǐng)域。

軌跡數(shù)據(jù)挖掘即知識(shí)提取，主要包括模式挖掘和語義分類兩種。模式挖掘側(cè)重軌跡路徑，研究成果較多，但不易解釋用戶行為。語義分類則同時(shí)關(guān)注路徑和語義，是新興研究分支，受到廣泛關(guān)注。主要方法有動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)、隱馬兒可夫模型、條件隨機(jī)場、高斯混合模型、主題模型、聚類等。Nascimento和Sun提出了改進(jìn)的隱馬兒可夫模型，處理人類活動(dòng)認(rèn)知[16，17]。Santos提出使用動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)作為分類器推理[18]。LDA主題模型是文檔分析重要的模型，本質(zhì)上是一種貝葉斯網(wǎng)絡(luò)，近年開始應(yīng)用與用戶特征提取和語義軌跡分類。Ferrari應(yīng)用LDA模型從社交位置數(shù)據(jù)提取城市日?；顒?dòng)模式[6]。Chu采用一種基于LDA主題模型的語義轉(zhuǎn)換方法，出租車行駛軌跡作為文檔，經(jīng)過的街道名字作為單詞，映射GPS坐標(biāo)為軌跡數(shù)據(jù)，提取出租車行駛軌跡特征[2]。蔡文學(xué)通過LDA模型分析出租車軌跡得到熱門城市區(qū)域，有效解釋用戶行為[19]。雖然現(xiàn)有的LDA模型軌跡分類應(yīng)用取得了較好效果，但是很少面向RFID軌跡數(shù)據(jù)，非業(yè)務(wù)特征軌跡數(shù)據(jù)分析鮮見，因此相關(guān)研究需要更多探索。

軌跡可視化技術(shù)可幫助用戶理解挖掘結(jié)果，受到研究者和應(yīng)用市場的關(guān)注。Wang介紹了直接可視化、抽象可視化和特征提取可視化三種可視化方法[20]。直接可視化適用于固定數(shù)據(jù)格式且數(shù)據(jù)量不大。Bakshev介紹一種三維語義框架，實(shí)現(xiàn)軌跡數(shù)據(jù)展示和語義注釋[21]。抽象可視化可展示時(shí)空屬性和移動(dòng)對象屬性特征。Li基于時(shí)間維度對歷史氣候變化數(shù)據(jù)可視化[22]。特征可視化需要研究人員預(yù)先提取特定軌跡數(shù)據(jù)集。Lu預(yù)先將出租車數(shù)據(jù)匹配路網(wǎng)，分析熱門路徑集合，可視化顯示最優(yōu)路徑[23]。雖然目前研究很多，但軌跡數(shù)據(jù)種類眾多，應(yīng)用環(huán)境不同造成處理方法不一樣，面向RFID軌跡數(shù)據(jù)的可視化研究還不多。

根據(jù)上述分析，目前面向RFID領(lǐng)域的軌跡挖掘研究不多，現(xiàn)有的算法和技術(shù)需更多的改進(jìn)。

3 RFID-STR數(shù)據(jù)定義

RFID-STR數(shù)據(jù)定義為T={p|i=1…N}，其中軌跡點(diǎn)p=（R，B，X，t）為四元組，包括RFID標(biāo)簽R、業(yè)務(wù)點(diǎn)B、屬性信息X、時(shí)間戳t。業(yè)務(wù)點(diǎn)包含業(yè)務(wù)點(diǎn)的地理空間信息、業(yè)務(wù)類型等。屬性信息包含交易金額、經(jīng)手人、交易內(nèi)容等。

RFID-STR數(shù)據(jù)分段目標(biāo)是得到在一個(gè)時(shí)間區(qū)間的軌跡點(diǎn)集合。因此尋找分段點(diǎn)就是通過時(shí)間閥值參數(shù)來劃分軌跡點(diǎn)集合。下面把RFID-STR數(shù)據(jù)映射到業(yè)務(wù)過程模型中，業(yè)務(wù)活動(dòng)是RFID業(yè)務(wù)點(diǎn)，活動(dòng)的執(zhí)行事件是RFID標(biāo)簽在業(yè)務(wù)點(diǎn)的一次操作行為，即軌跡點(diǎn)P。同個(gè)RFID標(biāo)簽在時(shí)間區(qū)間的軌跡點(diǎn)形成了一個(gè)業(yè)務(wù)過程，即軌跡點(diǎn)序列P…P?；谶^程發(fā)現(xiàn)的軌跡分段方法是從軌跡數(shù)據(jù)中尋找同個(gè)RFID標(biāo)簽的軌跡點(diǎn)序列集合，集合中任意兩個(gè)軌跡點(diǎn)的時(shí)間戳距離滿足時(shí)間閥值的要求。

4 基于LDA主題模型的RFID-STR數(shù)據(jù)特征知識(shí)提取方法

建立語義軌跡與文本描述之間的映射關(guān)系，通過RFID應(yīng)用領(lǐng)域“語義軌跡-主題-應(yīng)用標(biāo)簽”到LDA“用戶-主題-單詞”三層貝葉斯模型的語義轉(zhuǎn)換，最后通過模型的生成實(shí)現(xiàn)軌跡特征知識(shí)的提取，主要分為三個(gè)步驟：

（1）建立應(yīng)用標(biāo)簽的詞袋模型

RFID應(yīng)用標(biāo)簽對應(yīng)單詞，是從RFID應(yīng)用業(yè)務(wù)名稱文本集合中提取出詞頻大于某個(gè)閥值的業(yè)務(wù)名稱集合;主題采用主題重要度確定，即軌跡出現(xiàn)次數(shù);將語義軌跡看作為文檔，軌跡中涉及多個(gè)RFID應(yīng)用主題區(qū)域，好比文檔包含多個(gè)主題，這樣軌跡集合類比文檔集合，對軌跡集合進(jìn)行主題推斷，就可以得到多個(gè)主題區(qū)域，而這些主題區(qū)域通過應(yīng)用標(biāo)簽來表示，所以反映了語義軌跡的特征知識(shí)。

詞袋模型采用了業(yè)務(wù)點(diǎn)重要度衡量，業(yè)務(wù)點(diǎn)重要度指應(yīng)用標(biāo)簽單詞在某個(gè)語義軌跡中出現(xiàn)的次數(shù)，次數(shù)越高說明該單詞越能代表該語義軌跡特征。在校園卡RFID應(yīng)用中，考慮業(yè)務(wù)點(diǎn)太多，采用業(yè)務(wù)點(diǎn)類型與校區(qū)結(jié)合的方式定義應(yīng)用標(biāo)簽類。采用單個(gè)業(yè)務(wù)點(diǎn)刷卡次數(shù)與LDA模型的詞頻對應(yīng)，通過打分機(jī)制提高單詞的文檔代表性。一個(gè)業(yè)務(wù)點(diǎn)在所有主題中出現(xiàn)概率為1。設(shè)置一個(gè)閥值篩選主題中的業(yè)務(wù)點(diǎn)。

（2）建立主題特征模型

在RFID應(yīng)用領(lǐng)域，根據(jù)LDA主題模型，得到公式（1）：

P（標(biāo)簽|軌跡）=P（標(biāo)簽|主題）×P（主題|軌跡）? ? ?（1）

每個(gè)軌跡與N個(gè)主題的一個(gè)多項(xiàng)分布θ對應(yīng)，每個(gè)主題又與M個(gè)標(biāo)簽的一個(gè)多項(xiàng)分布[?]對應(yīng)，因此LDA模型求解如圖1所示，首先要求解與θ和?參數(shù)相關(guān)的狄利克雷先驗(yàn)分布參數(shù)α和β，然后推理出θ和?參數(shù)，最后使用Gibbs抽樣法求出軌跡在主題上的分布和主題在標(biāo)簽上的分布，就能得到軌跡與標(biāo)簽的分布。

（3）軌跡特征聚類

在得到軌跡與主題的相關(guān)度后，采用主流的K-means等聚類算法將具有相近主題特征的軌跡聚集，形成代表性軌跡。

5 RFID-STR數(shù)據(jù)挖掘方法

該方法分為數(shù)據(jù)預(yù)處理、軌跡知識(shí)提取、知識(shí)可視化三大階段：

（1）數(shù)據(jù)預(yù)處理階段：生成校準(zhǔn)軌跡、數(shù)據(jù)庫軌跡和語義軌跡

首先從分布式環(huán)境中抽取RFID移動(dòng)對象原始軌跡數(shù)據(jù)，原始數(shù)據(jù)主要包含標(biāo)簽和業(yè)務(wù)點(diǎn)的特征數(shù)據(jù)、交易數(shù)據(jù)和屬性數(shù)據(jù);然后經(jīng)過數(shù)據(jù)清洗后，采用基于時(shí)間閥值的過程發(fā)現(xiàn)技術(shù)進(jìn)行軌跡分段，并通過路網(wǎng)匹配方法關(guān)聯(lián)軌跡與業(yè)務(wù)點(diǎn)地理位置信息，從而得到校準(zhǔn)軌跡;接著采用Petri-net建立軌跡數(shù)據(jù)模型，利用Petri-net理論的特性對軌跡進(jìn)行形式化驗(yàn)證，根據(jù)業(yè)務(wù)點(diǎn)類型進(jìn)行軌跡壓縮得到數(shù)據(jù)庫軌跡，提高數(shù)據(jù)價(jià)值密度和存取效率;最后根據(jù)移動(dòng)性和行為理解方法建立不同主題的軌跡數(shù)據(jù)倉庫和集市，得到的語義軌跡作為知識(shí)提取階段的輸入。

（2）軌跡知識(shí)提取階段：基于LDA主題模型提取特征知識(shí)

首先通過分析RFID業(yè)務(wù)點(diǎn)特征來定義應(yīng)用類型標(biāo)簽，標(biāo)簽作為單詞集;接著基于使用次數(shù)或交易金額等語義打分機(jī)制建立詞袋模型，語義軌跡作為文檔;然后利用LDA主題模型的文本相似度分析方法和聚類算法，得到語義軌跡與主題、主題與應(yīng)用類型標(biāo)簽的特征知識(shí)。

（3）知識(shí)可視化階段：建立交互式和抽象式的知識(shí)可視化展示

首先建立交互參數(shù)與軌跡特征知識(shí)的關(guān)聯(lián)模型，然后根據(jù)時(shí)空和其他屬性語義進(jìn)行抽象化表示與處理，最終通過交互式的主題地圖、業(yè)務(wù)云圖、層次氣泡圖、泰森多邊形樹圖等可視化技術(shù)展示，并結(jié)合領(lǐng)域知識(shí)進(jìn)行分析總結(jié)。

① 主題地圖：時(shí)空維度結(jié)合屬性特征，在地形圖上顯示主題和軌跡的分布情況，通過顏色和透明度顯示不同主題，度量指標(biāo)包括業(yè)務(wù)點(diǎn)重要度和熵信息。

② 業(yè)務(wù)云圖：展示業(yè)務(wù)點(diǎn)間的關(guān)系?；跇I(yè)務(wù)點(diǎn)重要度。采用折線表示業(yè)務(wù)點(diǎn)在不同主題上的概率分布。不同業(yè)務(wù)點(diǎn)根據(jù)余弦相似度決定是否聚集顯示。

③ 主題變化圖：支持交互式可視化，在不同時(shí)間窗口度量下，軌跡主題的變化采用相似度衡量。相似度基于每個(gè)主題中高于閥值的業(yè)務(wù)點(diǎn)集合。可觀察到主題的出現(xiàn)和消失情況。

④ 層次氣泡圖：以分層嵌套氣泡方式展示軌跡、主題和應(yīng)用標(biāo)簽，以及移動(dòng)對象屬性特征的關(guān)聯(lián);

⑤ 泰森多邊形樹圖：采用任意形狀的多邊形代表不同的軌跡聚類結(jié)果，適合移動(dòng)設(shè)備。

6 結(jié)束語

在移動(dòng)互聯(lián)網(wǎng)、LBS技術(shù)、物聯(lián)網(wǎng)技術(shù)高速發(fā)展的背景下，社會(huì)對軌跡數(shù)據(jù)挖掘的需求逐漸增多，目前GPS數(shù)據(jù)軌跡挖掘研究較多，RFID軌跡挖掘研究較少，本文針對RFID應(yīng)用領(lǐng)域業(yè)務(wù)需求和軌跡數(shù)據(jù)特征，提出了采用過程發(fā)現(xiàn)技術(shù)進(jìn)行非業(yè)務(wù)過程特征數(shù)據(jù)軌跡分段的新方法，實(shí)現(xiàn)移動(dòng)對象軌跡與業(yè)務(wù)過程模型的映射轉(zhuǎn)換，為軌跡數(shù)據(jù)預(yù)處理提供了新技術(shù)，并提出了基于語義的RFID-STR數(shù)據(jù)挖掘方法，注重業(yè)務(wù)需求和語義歸納，涵蓋了數(shù)據(jù)預(yù)處理、知識(shí)提取、知識(shí)可視化完整的生命周期。下一步將選取公開測試數(shù)據(jù)集（簽到數(shù)據(jù)）和真實(shí)測試數(shù)據(jù)集（校園卡）進(jìn)行方法應(yīng)用。

參考文獻(xiàn)：

[1] 許佳捷，鄭凱，池明旻，等.軌跡大數(shù)據(jù)：數(shù)據(jù)、應(yīng)用與技術(shù)現(xiàn)狀[J].通信學(xué)報(bào)，2015，36（12）：97-105.

[2] Chu D， Sheets D A， Zhao Y， et al. Visualizing Hidden Themes of Taxi Movement with Semantic Transformation[C]. Visualization Symposium. IEEE， 2014：137-144.

[3] 齊觀德， 潘遙， 李石堅(jiān)，等. 基于出租車軌跡數(shù)據(jù)挖掘的乘客候車時(shí)間預(yù)測[J]. 軟件學(xué)報(bào)，2013，24（2）：14-23.

[4] 馬連韜，王亞沙，彭廣舉，等.基于公交車軌跡數(shù)據(jù)的道路GPS環(huán)境友好性評估[J].計(jì)算機(jī)研究與發(fā)展，2016，53（12）：2694-2707.

[5] 張宏鑫， 盛風(fēng)帆， 徐沛原，等. 基于移動(dòng)終端日志數(shù)據(jù)的人群特征可視化[J]. 軟件學(xué)報(bào)， 2016（5）：1174-1187.

[6] Ferrari L， Rosi A， Mamei M， et al. Extracting urban patterns from location-based social networks[C]// ACM Sigspatial International Workshop on Location-Based Social Networks. ACM， 2011：9-16.

[7] Yuan J， Zheng Y， Xie X. Discovering regions of different functions in a city using human mobility and POIs[C]// ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. ACM， 2012：186-194.

[8] 袁冠. 移動(dòng)對象軌跡數(shù)據(jù)挖掘方法研究[D]. 中國礦業(yè)大學(xué)， 2012.

[9] 王丹. 基于主題模型的用戶畫像提取算法研究[D]. 北京工業(yè)大學(xué)， 2016.

[10] Sahlabadi， M.， Muniyandi， R. C.， & Shukur， Z.? Detecting abnormal behavior in social network websites by using a process mining technique[J]. Journal of Computer Science， 2014： 393-402.

[11] Soares D C， Santoro F M， Bai?o F A. eMail Mining： Knowledge intensive process discovery through e-mails[C]// IEEE， International Conference on Computer Supported Cooperative Work in Design. IEEE， 2012：228-235.

[12] 高強(qiáng)， 張鳳荔， 王瑞錦，等. 軌跡大數(shù)據(jù)：數(shù)據(jù)處理關(guān)鍵技術(shù)研究綜述[J]. 軟件學(xué)報(bào)， 2017， 28（4）：34.

[13] Zheng Y， Xie X. Learning travel recommendations from user-generated GPS traces[J]. ACM Trans. On Intelligent System & Technology， 2011，2（1）：389-396.

[14] 曹衛(wèi)權(quán)，? 褚衍杰，? 賀亮.? 基于自適應(yīng)分段粒度的時(shí)空模式挖掘方法.計(jì)算機(jī)應(yīng)用研究[J]， 2018， 35（3）：5.

[15] 孫艷. 面向RFID海量數(shù)據(jù)的圖挖掘技術(shù)研究[D]. 揚(yáng)州大學(xué)， 2011.

[16] Nascimento J C， Figueiredo M， Marques J S. Trajectory classification using switched dynamical hidden Markov models[J]. IEEE Transactions on Image Processing A Publication of the IEEE Signal Processing Society， 2010， 19（5）：1338-48.

[17] Sun S， Zhao J， Gao Q. Modeling and recognizing human trajectories with beta process hidden Markov models[J]. Pattern Recognition， 2015， 48（8）：2407-2417.

[18] Santos L， Khoshhal K， Dias J. Trajectory-based human action segmentation[J]. Pattern Recognition， 2015， 48（2）：568-579.

[19] 蔡文學(xué)， 蕭超武， 黃曉宇. 基于LDA的用戶軌跡分析[J]. 計(jì)算機(jī)應(yīng)用與軟件， 2015， 32（5）：307-309.

[20] Wang Z， Yuan X， University P. Visual Analysis of Trajectory Data[J]. Journal of Computer-Aided Design & Computer Graphics， 2015， 27（1）：9-25.

[21] Bakshev S， Spinsanti L， Vidal C， et al. Trajectory Semantic Visualization[C]// Iceis 2011 - Proceedings of the， International Conference on Enterprise Information Systems， Volume 1， Beijing， China， 8-11 June. DBLP， 2011：326-332.

[22] Li J， Zhang K， Meng Z P. Vismate： Interactive visual analysis of station-based observation data on climate changes[C]// Visual Analytics Science and Technology. IEEE， 2014：133-142.

[23] Lu M， Lai C， Ye T， et al. Visual analysis of route choice behaviour based on GPS trajectories[C]// Visual Analytics Science and Technology. IEEE， 2015：203-204.

【通聯(lián)編輯：王力】