中国统计1608-大数据分析中轨迹数据挖掘的现状与挑战.pdf
轨迹分析与轨迹数据挖掘
轨迹分析与轨迹数据挖掘随着移动设备的普及和位置感知技术的发展，人们的轨迹数据正在成为一种宝贵的资源。
轨迹数据包含了关于个体行为和移动模式的重要信息，可以广泛应用于交通规划、城市管理、犯罪研究、商业决策等领域。
轨迹分析与轨迹数据挖掘是从轨迹数据中提取有意义的知识和信息的过程，具有重要的理论和实践意义。
在轨迹分析与轨迹数据挖掘中，首先需要对轨迹数据进行预处理，包括轨迹数据的采集、数据清洗和轨迹数据的压缩等。
轨迹数据采集可以通过移动设备和传感器等方式获得，数据清洗是为了消除数据中的噪声和异常值，轨迹数据的压缩可以减少数据的存储和计算开销。
在预处理完成后，可以进行轨迹数据的可视化分析。
可视化分析能够直观地展示轨迹数据的信息，帮助人们理解轨迹数据背后的模式和规律。
例如，可以使用地图和轨迹点的连线来展示一个人的运动轨迹，以及轨迹点的颜色和大小来表示运动的速度和密集程度。
通过可视化分析，人们可以发现轨迹数据中隐含的规律和异常情况，从而指导决策和规划。
除了可视化分析，还可以利用机器学习和数据挖掘的技术对轨迹数据进行进一步的分析。
机器学习是一种将计算机通过算法从数据中自动学习知识和模式的方法，可以用来预测和分类轨迹数据。
例如，可以使用机器学习算法来预测一个人的下一个位置或其从一个地点到另一个地点可能选择的路径。
数据挖掘则是利用统计学和机器学习的方法对大规模数据进行挖掘，发现其中隐藏的模式和关联规律。
通过数据挖掘，可以进一步理解轨迹数据中的行为模式、移动规律和影响因素。
在轨迹分析与轨迹数据挖掘中，还有一个重要的问题是轨迹的相似性和聚类。
轨迹的相似性计算可以用来找到相似的轨迹，从而揭示不同个体或群体之间的行为和移动模式的差异。
轨迹的聚类则是将相似的轨迹分组，以便于对群体特征和规律进行分析和研究。
相似性和聚类的研究可以帮助人们发现不同类型的轨迹和行为模式，为个性化推荐、交通规划和安全预警等提供支持和参考。
最后，随着大数据时代的到来，轨迹分析与轨迹数据挖掘也面临着新的挑战和机遇。
轨迹数据挖掘与分析技术研究
轨迹数据挖掘与分析技术研究随着移动终端设备的普及和定位技术的发展，轨迹数据的获取变得越来越容易。
轨迹数据是指移动目标在时间和空间上的位置信息记录，包含了根据时间顺序排列的位置坐标点。
这些轨迹数据蕴含着丰富的信息，对于理解和应用于各个领域具有重要意义。
轨迹数据挖掘与分析技术的研究，旨在从大量的轨迹数据中提取有价值的信息，帮助人们做出决策和改进现有的服务。
轨迹数据挖掘的一个重要任务是轨迹聚类。
聚类是将具有相似特征的数据点归为一类的过程。
轨迹聚类技术可以将相似的移动路径归为同一组，帮助我们理解移动目标的行为模式。
例如，在交通管理领域，轨迹聚类可以用于识别出交通拥堵的区域，从而提供更好的道路规划方案。
在商业领域，轨迹聚类则可以帮助企业了解用户的消费习惯，从而针对性地制定推广策略。
除了轨迹聚类，轨迹数据挖掘还包括轨迹分割和轨迹预测等技术。
轨迹分割可以将连续的轨迹数据划分为不同的片段，从而提取出每段轨迹的特征。
这些特征可以用于分析移动目标在不同时间段和空间区域内的行为差异。
而轨迹预测则可以根据历史轨迹数据，对未来的移动路径进行预测。
这项技术对于交通管理、物流配送等领域具有重要意义，可以提高效率和准确性。
此外，轨迹数据挖掘与分析技术还可以结合其他数据源，进行更深入的分析。
例如，可以将轨迹数据与社交网络数据结合起来，研究人与人之间的交互关系和社交行为。
这对于社交网络推荐系统的优化和个性化广告推送具有重要意义。
另外，将轨迹数据与气象数据相结合，可以分析不同天气条件对移动目标行为的影响，为城市规划和灾害预警提供参考。
然而，轨迹数据挖掘与分析技术研究还面临一些挑战。
首先是数据隐私和安全问题。
轨迹数据中可能包含用户的敏感信息，如家庭住址、工作地点等。
如何在保护用户隐私的前提下，有效地进行数据分析和挖掘是一个亟待解决的问题。
其次，轨迹数据的规模庞大，对计算资源和算法效率提出了较高的要求。
如何高效地存储和处理海量的轨迹数据，以及如何设计快速准确的算法进行数据分析，需要我们不断探索和研究。
大数据分析
大数据分析：现状、挑战与机遇一、引言随着信息技术的飞速发展，我们正处在一个数据爆炸的时代。
大数据作为一种新兴的数据处理技术，已经引起了各行各业的广泛关注。
大数据分析是指从海量数据中提取有价值的信息，为企业、政府等组织提供决策依据。
本文将对大数据分析的现状、挑战与机遇进行探讨。
二、大数据分析现状1.数据规模庞大：随着互联网、物联网等技术的普及，数据的产生速度和规模呈现出爆炸性增长。
据统计，全球数据量正在以每年40%的速度增长。
2.数据类型多样化：大数据不仅包括结构化数据，如数据库中的数据，还包括非结构化数据，如文本、图片、音频、视频等。
3.数据处理速度快：大数据分析要求在短时间内完成数据的处理和分析，以满足实时性的需求。
4.数据价值密度低：大数据中存在大量冗余和无关信息，如何从海量数据中提取有价值的信息成为一大挑战。
5.技术创新不断涌现：为了应对大数据带来的挑战，各种新技术、新方法不断涌现，如分布式计算、数据挖掘、机器学习等。
三、大数据分析挑战1.数据存储与管理：如何高效地存储和管理海量数据，保证数据的可靠性和安全性，是大数据分析面临的首要挑战。
2.数据处理与分析：大数据分析需要对数据进行预处理、特征提取、模型构建等操作，如何提高数据处理和分析的效率是关键。
3.数据隐私与安全：在大数据分析过程中，如何保护个人隐私和数据安全，防止数据泄露和滥用，是一个亟待解决的问题。
4.数据质量与准确性：大数据分析结果的质量和准确性直接影响到决策效果，如何提高数据质量和分析准确性是重要挑战。
5.人才培养与团队建设：大数据分析需要具备跨学科知识和技能的人才，如何培养和组建专业的大数据分析团队是当务之急。
四、大数据分析机遇1.商业价值挖掘：大数据分析可以帮助企业发现潜在商机，优化业务流程，提高运营效率，实现精准营销。
2.社会治理创新：政府可以利用大数据分析提高公共服务水平，优化资源配置，实现智能决策。
3.科学研究助力：大数据分析为科学研究提供了丰富的数据资源和方法手段，有助于推动科技创新。
大规模轨迹数据的检索、挖掘及应用的开题报告
大规模轨迹数据的检索、挖掘及应用的开题报告1. 研究问题及意义随着移动设备的普及和地理信息技术的发展，大量的轨迹数据被生成和存储，如出租车 GPS 轨迹、用户移动设备位置数据、社交网络中的位置签到等，这些数据对于城市交通管理、商业决策、公共安全等领域具有重要的价值。
然而随着数据规模的增大，如何高效地从海量的轨迹数据中检索、挖掘和应用有接近实时的要求，是当前互联网、物联网、智能交通等领域面临的重要问题。
因此，本文将研究大规模轨迹数据的检索、挖掘及应用的方法和技术。
2. 研究内容及方法本研究将针对大规模轨迹数据的检索、挖掘及应用，进行如下研究：1）轨迹数据的结构化表示和存储方式。
针对轨迹数据复杂性和海量性，将研究轨迹数据的结构化表示方法，提高轨迹数据的查询效率与可扩展性，研究轨迹数据的存储方式，优化轨迹数据的物理存储结构和数据访问策略，提高轨迹数据处理效率和查询效率。
2）轨迹数据的挖掘方法及可视化技术。
研究针对轨迹数据的特殊问题和应用场景，开发适合的轨迹数据挖掘算法，如轨迹聚类、异常检测、轨迹预测、轨迹可视化等，同时实现轨迹数据的可视化展示和交互式挖掘。
3）应用场景的研究。
以城市交通管理、商业决策和公共安全为例，研究如何将轨迹数据应用于具体场景中，如使用轨迹数据优化交通路线，提高交通效率，设计基于轨迹数据的商业决策模型，提高商业决策的精准度和预测能力，设计针对轨迹数据的公共安全预警系统，提高公共安全的预测能力和预警效果。
本研究采用实验和案例分析的方法，对所提出的方法和技术进行评估，并对结果进行统计分析和可视化展示。
3. 研究意义及创新点本研究将对大规模轨迹数据的检索、挖掘及应用进行深入探究，进一步推动大规模数据处理和应用技术的发展，并具有以下意义和创新点：1）本研究将提高轨迹数据处理的效率和查询效率，在轨迹数据的存储和访问、处理和分析等方面具有创新性。
2）本研究将开发适合的轨迹数据挖掘算法，在轨迹聚类、异常检测、轨迹预测、轨迹可视化等方面具有创新性。
轨迹数据挖掘与分析研究
轨迹数据挖掘与分析研究随着移动设备的普及和位置服务的发展，人们在日常生活中产生了大量的轨迹数据。
这些数据包含了个人的出行、活动轨迹等信息，对人类行为分析、交通规划、地理研究等领域具有重要意义。
因此，轨迹数据挖掘与分析成为了一个热门的研究领域。
轨迹数据挖掘与分析是指对轨迹数据进行有效的抽取、处理和利用，从中挖掘出有用的信息和知识。
这种研究可以帮助我们深入理解人类行为模式、城市交通状况等，为城市规划、交通管理等提供决策支持。
首先，轨迹数据挖掘与分析可以帮助我们理解人类的行动模式和移动行为。
通过对个人和群体的轨迹数据进行挖掘和分析，我们可以了解人们的常用路径、出行频次、出行目的等信息。
这对于城市规划者来说非常重要，他们可以根据这些信息来优化道路布局、交通管理等，提高城市的运行效率和居民的生活质量。
其次，轨迹数据挖掘与分析可以帮助我们预测和改善交通拥堵状况。
通过对大量的轨迹数据进行分析，我们可以找出道路瓶颈、高峰时段等，并根据这些信息来调整交通流量，优化交通路线。
这不仅有助于减少交通拥堵，提高交通效率，还可以节省能源和减少环境污染。
此外，轨迹数据挖掘与分析还可以应用于城市安全和治安管理。
通过分析个体或群体的轨迹数据，我们可以发现犯罪行为的规律和模式。
例如，通过分析犯罪嫌疑人的移动行为，可以帮助警方预测犯罪发生的可能地点和时间，提前采取相应的安全措施。
在轨迹数据挖掘与分析领域，有多种技术和方法可供选择。
其中，最常用的方法是聚类分析、序列模式挖掘和预测分析。
聚类分析是将轨迹数据分为若干个具有相似特征的类别。
这可以帮助我们了解不同行为模式的特点和规律。
例如，可以将轨迹数据聚类为上下班通勤、购物出行、休闲活动等不同的类别，从而为城市规划者提供更准确的参考。
序列模式挖掘是通过分析数据中的序列模式，发现事件发生的关联规律。
在轨迹数据挖掘中，我们可以通过序列模式挖掘来找到常用的路径、出行模式等。
这对于交通管理和出行规划非常有帮助。
大数据挖掘与分析的常见问题解决方案概述
大数据挖掘与分析的常见问题解决方案概述随着互联网的迅速发展，大数据时代已经到来。
大数据挖掘与分析成为许多企业的核心竞争力之一。
然而，面对庞大的数据量和复杂的数据结构，大数据挖掘与分析也面临着一系列的挑战和问题。
本文将概述大数据挖掘与分析的常见问题，并提供相应的解决方案。
一、数据质量问题大数据挖掘与分析的第一个挑战是数据质量问题。
由于数据来源的多样性和数据采集的不确定性，数据质量可能存在各种问题，如数据错误、缺失数据、重复数据等。
这些问题会直接影响到挖掘和分析结果的准确性和可靠性。
解决方案：1. 数据清洗：选择合适的数据清洗工具和方法，对数据进行预处理，包括去除重复数据、处理缺失数据、纠正错误数据等。
2. 数据标准化：建立统一的数据标准和规范，对数据进行标准化处理，以确保数据的一致性和可比性。
3. 数据验证：通过数据验证方法和技术对数据进行验证，确保数据的准确性和完整性。
二、数据存储和处理问题大数据的存储和处理是大数据挖掘与分析的另一个重要问题。
随着数据量的急剧增加，传统的存储和处理方式已经无法满足大数据挖掘与分析的需求。
同时，对于实时性要求较高的挖掘和分析任务，传统的批处理方式也变得不够高效。
解决方案：1. 分布式存储和处理：采用分布式存储和处理的方式，将大数据分散存储在多个节点上，并利用并行计算的方式进行处理，以提高数据处理的效率和性能。
2. 内存计算：利用内存计算和缓存技术，将数据加载至内存中进行计算和分析，以加快数据处理的速度和响应时间。
3. 实时数据处理：采用实时流处理技术，对数据进行实时处理和分析，以满足实时性要求高的挖掘和分析任务。
三、数据挖掘算法选择问题在大数据挖掘与分析过程中，选择合适的数据挖掘算法是关键。
然而，由于大数据的复杂性和多样性，选择合适的算法变得更加困难。
解决方案：1. 数据预处理：对数据进行预处理和特征选择，以降低数据维度和复杂度，从而减少算法选择的难度。
2. 算法评估和选择：对不同的算法进行评估和比较，选择最适合的算法，可以使用交叉验证、误差分析等方法进行算法性能的评估。
数据库中大数据处理与分析的技术与挑战
数据库中大数据处理与分析的技术与挑战随着互联网的迅猛发展和移动设备的普及，数据量呈现爆炸性增长的趋势。
这对数据库系统的处理和分析提出了巨大的挑战。
本文将探讨数据库中大数据处理与分析的技术和面临的挑战。
一、技术挑战1. 存储技术随着数据量的激增，传统的关系型数据库面临着存储空间不足的问题。
为了应对这一挑战，数据库系统逐渐转向了分布式存储技术。
分布式存储技术通过将数据分散存储在多个节点上，解决了单节点存储容量的限制。
同时，引入了分布式文件系统和对象存储等新的存储方式，提高了存储效率和扩展性。
2. 处理技术大数据的处理需要高效的数据读写和查询能力。
传统的关系型数据库在处理大数据时往往面临性能瓶颈的问题。
为了提高数据处理能力，数据库系统引入了并行计算和分布式计算技术。
通过将计算任务分割成多个子任务并行执行，可以大大缩短处理时间。
同时，引入了多核和分布式计算集群，提高了计算能力和并发处理能力。
3. 分析技术随着数据量的增加，单纯的数据存储和处理已远远不够，更需要对数据进行深入的分析和挖掘。
数据库系统引入了数据挖掘、机器学习和人工智能等技术，以从数据中发现隐藏的模式、关联和规律。
通过以上的技术的应用，可以有效地进行预测分析、决策支持和业务智能等工作，提高了数据的价值和利用率。
二、挑战1. 数据质量随着数据量的激增，数据质量问题也日益凸显。
例如，数据来源的不确定性、数据冗余的存在以及数据格式的多样性等都会影响数据的准确性和一致性。
解决这一挑战需要对数据进行清洗、去重、规范化和整合等处理，确保数据的有效性和可信度。
2. 数据安全大数据中可能包含大量的敏感信息，例如个人隐私和商业机密等。
因此，数据安全成为大数据处理和分析面临的重要挑战之一。
数据库系统需要采取严格的权限控制、加密和审计等措施，保障数据的机密性和完整性。
3. 数据一致性在分布式环境中，数据的一致性成为一个核心问题。
当多个节点同时对数据库进行更新操作时，可能会出现数据一致性问题，如读写冲突、数据副本的同步和数据分片的管理等。
轨迹大数据_数据处理关键技术研究综述
轨迹大数据:数据处理关键技术研究综述轨迹大数据:数据处理关键技术研究综述摘要：随着移动设备和定位技术的普及，轨迹数据大幅增长，涉及各个领域，如交通运输、旅游、物流等。
这些轨迹数据包含着大量宝贵的信息，但也面临着数据分析和处理的挑战。
本文综述了轨迹大数据处理的关键技术，包括数据清洗、轨迹压缩、轨迹聚类、轨迹挖掘等。
1. 引言随着移动设备和定位技术的普及，人们在日常生活中记录和生成的轨迹数据数量呈指数级增长。
轨迹数据是指移动对象在时空维度上的轨迹坐标点序列集合，如GPS记录的车辆轨迹、用户行为轨迹等。
这些数据中蕴含着丰富的信息，可以用于交通规划、用户行为分析等各个领域。
然而，轨迹数据的处理和分析面临着诸多技术挑战，包括数据的清洗和去噪、轨迹的压缩和存储、轨迹的聚类和分类等。
本文将对轨迹大数据处理的关键技术进行综述，为相关研究和应用提供参考。
2. 数据清洗与去噪轨迹数据的质量直接影响着后续分析的准确性和可靠性。
数据清洗主要包括去除重复数据、去除异常点、填充缺失值等步骤。
重复数据的存在可能是由于设备问题或数据采集错误导致，需要通过对时间和位置信息进行判定来去除。
异常点可以通过统计或可视化的方式进行检测，常用的方法有局部离群点因子（LOF）和孤立森林（Isolation Forest）。
当轨迹数据存在缺失值时，可以采用线性插值、KNN填充等方法进行填充。
3. 轨迹压缩与存储由于轨迹数据的产生方式和存储形式，数据量较大，对存储和传输资源带来了压力。
因此，轨迹压缩成为了必要的环节。
轨迹压缩的目标是在保持数据可还原性的前提下，尽量减少数据量。
常用的轨迹压缩算法有Douglas-Peucker算法、Sedgewick算法等。
这些算法通过删除冗余点或使用曲线拟合的方式来实现轨迹数据的压缩。
4. 轨迹聚类与分类轨迹聚类是将相似的轨迹分到同一个类别中的过程，这有助于发现轨迹数据的规律和模式。
常用的轨迹聚类算法有基于密度的DBSCAN算法、基于划分的K-means算法等。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
谢邦昌 斯介生气的变化、PM2.5散布的途径等数据都与时间及其路径息息相关。
凡走过必留下痕迹，也就是轨迹(trajectory)。
积累的数据就是轨迹数据(Trajectory Data) 。
因此轨迹数据就是时空情境下，通过对一个或多个移动物体运动过程的数据搜集，所获得的数据信息。
包括搜集有先后顺序的位置、时间、速度及散布情形等。
例如具有GPS定位功能的智能手机，移动互联网络可以通过无线信号定位手机所在位置，进而搜集记录序列相关数据。
RFID(无限射频技术)，对物体进行标记定位和位置数据记录，形成物体的移动轨迹。
随着交通工具、卫星、无线网络，以及相关定位设备的发展，巨量移动目标物的轨迹数据急速增长并有大量积累的趋势。
如天气变化的数据、环境迁徙的数据、交通轨迹数据、动物迁徙数据、人口变迁数据、植物分布数据等，都是轨迹数据的最好呈现。
对轨迹数据进行数据挖掘，是大数据分析中不可或缺的一环，因为这个领域积累数据的速度太快，积累的数据量也太庞大了。
｜轨迹数据挖掘的现状伴随着轨迹数据的快速积累，面对如此庞大的数据量，并且无时不刻快速增长的数据集，人们需要思考如何对这些数据进行分析，挖掘其中蕴藏的丰富知识。
轨迹数据挖掘方法由此诞生。
近年来，轨迹数据挖掘的相关方法发展很快，在各领域都有了广泛的应用。
按照分析方法的不同，目前主要可分为三大方向：轨迹数据模式的挖掘、轨中国统计CHINA STATISTICS迹数据分类、轨迹的异常侦测。
下面对这些方法的思想和现状进行阐述。
1.轨迹数据模式的挖掘。
对于数据的模式挖掘是数据挖掘的重要组成部分，当数据是轨迹数据时，对应的模式挖掘方式有其特殊性。
这是因为，对于轨迹数据而言，无论从时间角度，还是空间角度看，都是一个整体，前后存在密切的相关性。
如果将每个数据点都割裂开分析，就会损失大量信息。
因此，通常的模式挖掘方法对于轨迹数据是不适用的。
目前，关于轨迹数据模式挖掘方法主要有四类：共同运动模式的挖掘、轨迹聚类、轨迹序贯模式的挖掘、轨迹周期模式的挖掘。
这四类挖掘方法构成了当前轨迹模式挖掘的主体。
（1）共同运动模式的挖掘，就是在一定的时间段内，针对一群移动对象的共同运动规律的研究。
例如，一组对象运动模式的分布规律、数量规律，一种模式持续的时间规律等。
这类研究可以在物种的迁徙，军事监视，交通监测等方面已经有了成功的应用。
我国的“春运”就是典型的在一定的时间段内，人类大规模共同运动的现象。
百度迁徙正是针对这种大规模共同运动模式进行大数据挖掘的成功案例。
（2）轨迹聚类，就是针对轨迹数据的聚类分析。
它与共同运动模式的挖掘有类似的地方，但是轨迹聚类的侧重点不一样，是针对不同的移动对象，共同的运动趋势和代表性的路径进行研究。
例如，在船舶的AIS 数据分析中，研究者面对的数据是由许多不同类型船舶航迹组成的。
在指定的海区，这些不同类型船舶航行的共同趋势和代表性路径是研究者们关心的问题。
轨迹聚类方法可以回答这类问题。
类似的应用在交通、生物等领域都大量存在。
（3）轨迹序贯模式的挖掘，是指针对一些不同的移动对象，在相近的时间段内，先后经过的共同的位置规律的研究。
例如，假设A 和B 是两个移动对象，它们的运行路径为1.5小时 1小时 1.2小时A：l 1——→l 2——→l 3——→l 4 ，1.5小时 2小时 B：l 1——→l 2——→l 4此时，l 1→l 2→l 4就是A 和B 共同的序贯模式，A 和B 经过这三个位置的先后顺序相同，时间段类似。
目前，这类方法已经在旅游路线推荐，位置预测等许多方面有了应用。
百度旅游对于旅行路线的推荐，实际上大量采用了序贯模式的挖掘方法。
（4）轨迹周期模式的挖掘，是指对移动对象运行中的周期规律进行挖掘。
运行中的周期规律在大量事物中存在。
例如，人们定期到超市购物，购物的路径中蕴含周期规律。
动物年复一年地迁徙，迁徙路径蕴含动物迁徙的周期规律。
对于轨迹数据的周期规律进行挖掘，可以发现其中的周期性规律，从而更加精确地进行预测和进行其他研究。
目前，周期模式的挖掘被广泛用于生物学研究，天文学研究，以及商业研究等不同的领域。
2.轨迹数据分类。
轨迹分类的目标在于，对轨迹区分不同的状态。
例如，车辆的运行状态，货物的运输方式，通过轨迹识别不同的船舶类型等。
这就意味着，首先要对原始数据给予适当的标签，然后利用这些带标签的数据结合大量不带标签的数据进行分析。
这种分析方法和轨迹模式的挖掘有着本质的不同，因为后者是针对不带标签的数据进行研究的。
轨迹分类一般分成三个步骤。
第一步，将原始轨迹进行分段，这是轨迹数据挖掘的预处理手段。
第二步，针对每段轨迹提取特征。
第三步，利用分类算法模型对每一段数据进行分类建模。
由于轨迹数据本质上是序列数据，因此可以利用已有的算法进行建模。
例如贝叶斯网络模型，条件随机场，隐马尔科夫模型等。
轨迹数据的分类已经在实际中有了非常广泛的应用。
例如在城市交通领域，出租车有三种状态：有乘客、无乘客、停车。
我们可以利用轨迹分类的方法，对出租车的运行路径进行分析，然后判断出租车的运行状态，从而为旅客带来便利。
在海上交通领域，不同的船舶拥有不一样的轨迹特征。
例如，远洋货轮的轨迹一般是匀速直线轨迹，客轮的轨迹呈现一定的周期性，而渔船等其他船只则显得杂乱无章。
此时，针对船舶的轨迹数据进行分类研究，就可以判别船舶的不同类型。
类似地，利用动物轨迹对不同物种的判别，利用星球运行轨迹对不大数据BIG DATA同星球类型的判别等，都属于轨迹判别的应用。
在实际的应用中，轨迹判别往往与轨迹模式挖掘一起使用。
例如，针对船舶轨迹数据的判别时，一般先进行轨迹聚类。
然后对不同类别的轨迹，研究对应船舶属性。
再进一步建立轨迹判别模型，就可以进行船舶轨迹数据的轨迹判别。
3.轨迹的异常侦测。
这类方法主要用于识别移动物体的异常轨迹，以及通过轨迹分析发现异常事件。
异常轨迹的识别类似于传统统计分析的异常点侦测，需要与轨迹模式挖掘和轨迹分类共同使用。
如果一条轨迹不能被聚到任何一类，或不能被判别到任何一类，那么很有可能就是异常轨迹。
异常事件的发现需要对异常轨迹进行分析，但是需要分析许多轨迹才能发现异常事件。
例如，在航海数据分析中，偷渡事件，非法捕捞事件等对应的船舶轨迹都是异常的。
这些轨迹出现在本不该出现的时间段和海区，因此，可以和其他类型的形成鲜明对比。
这是异常轨迹的侦测。
在天文学中，新的星球发现则需要分析很多已知星球的运行轨迹。
例如，最近对于太阳系第九大行星的研究，就是通过分析柯伊伯带许多矮行星轨道的异常行为得出的。
这是异常事件的发现。
此外，通过分析洋流变化，得出气候变迁也是异常事件的发现。
目前，异常轨迹的侦测是一个重要但是研究难度较大的课题，它的相关理论目前还在继续发展，有很多理论和应用问题都有待解决。
｜轨迹数据挖掘的挑战尽管轨迹数据挖掘的应用已经十分广泛，真正意义的轨迹大数据的产生还只是近几年的事情。
因此，相关方法的理论基础，以及轨迹大数据本身的收集、存储、管理等诸多方面，还面临许多需要完善的地方。
具体而言，主要有以下几个方面。
（1）数据的全面性和分析的高效性是一对矛盾。
轨迹本质上是连续的，如果要分析更多的细节，必须使收集更加精细。
这会使得数据更加庞大，结构更加复杂，分析难度更大。
当前大数据分析提出模糊性而非精确性，其实可以理解为，因为数据的复杂性与分析的高效性无法调和，而采用的折中手段。
然而模糊性并没有从根本上解决问题，随着人们对分析要求的越来越高，这对矛盾会始终伴随轨迹数据挖掘的发展。
（2）克服轨迹数据的噪声是另一个难题。
轨迹数据的噪声来源于两个方面。
一是轨迹本身具有随意性。
二是定位手段带来的偏差。
目前的定位手段一般有GPS、WiFi、基站。
它们三者的精度分别为：30米、30米到200米、100米到300米。
对于像远洋船舶这样的大型目标，几十米的偏差影响不大。
但是对于行人、出租车等小目标，就需要慎重对待这类偏差。
对于噪声的克服，需要从收集手段的进步和分析方法的进步两个方面进行努力。
（3）轨迹数据挖掘方法的理论需要进一步完善。
这与轨迹数据挖掘的产生背景有重要关系。
轨迹大数据大量产生的时间还很短，用到的轨迹数据挖掘方法都脱胎于传统方法。
但是轨迹数据与传统的数据类型有着本质的不同，它属于时空数据，存在时间和空间两种相关性。
处理传统数据的方法是否适合轨迹数据？这是目前还需要进一步回答的问题，和研究者需要努力的方向。
｜结论本文介绍大数据分析中轨迹数据挖掘的基本思想，和实际应用的例子，论述了轨迹数据挖掘的现状和挑战。
我们可以看出，人类对于移动物体的记录产生了轨迹数据，但是真正意义上的轨迹大数据是近年来的事情。
得益于GPS 技术的不断进步，和移动互联网时代的到来。
因而，轨迹数据挖掘的快速发展也是近几年的事情。
目前已经被应用于各行各业。
但是，这不意味着轨迹数据挖掘已经成熟和完善。
相反，随着实际应用中对于精度和效率的要求的不断提高，轨迹数据挖掘面临越来越多的挑战。
需要从数据收集手段，数据分析技术，以及理论方法等方面进行进一步的提高，才能应对这些挑战。
我们记录了人类的轨迹也知道人类的基因定序数据,接下来呢? 道德家、宗教家及社会学家是否因此可以推断因果轮回;“前世今生的实相——生死的因果轮回”，也许对轨迹大数据来说太玄也太遥远,但我们知道古语云：“善有善报，恶有恶报；欲知前世因，今生受者是；欲知未来果，今生作者是”，这是一个人生轨迹。
您的轨迹呢？我是“长风破浪会有时，直挂云帆济沧海”。
作者单位:台北医学大学大数据研究中心及管理学院杭州电子科技大学。