ارائه روشي براي استخراج الگوهاي پر بازديد در خطوط سير بر اساس توالي فعاليت هاي كاربران

در سال‌هاي اخير فراگير شدن استفاده از ابزارهاي ثبت موقعيت مكاني، امكان توليد خطوط ‌سير هندسي با استفاده از مسيرهاي حركت كاربران را فراهم ساخته است. بدين ترتيب مي­توان علاوه بر هندسه و شكل مسير، هدف كاربران از انجام سفر و فعاليت­هاي مرتبط با آن را مورد توجه قرار داد. در اين راستا خط ‌سير فعاليت كاربر كه بيانگر توالي فعاليت‌هاي بازديد شده مي­باشد، در سال­هاي اخير مورد توجه بسياري از محققين بوده است. از جمله مهمترين موضوعات مرتبط را مي­توان شناسايي الگوهاي پرتكرار كاربر به منظور پيش‌بيني فعاليت بعـدي ذكر كرد. عمـده مطالعات پيشين تنها با تمركز بر داده‌هـاي يك كاربر است كه اين دسته از مطالعات، الگوهاي پرتكرار ارائه شده فعاليت­هاي قبلي را در نظر نمي­گيرند. براي اين منظور در اين مقاله روشي پيشنهاد شده است تا پس از كدگذاري فعاليت­ها و تشكيل ماتريس توالي آن­ها، الگوهاي پرتكرار را با استفاده از خطوط ‌سير تمام كاربران و در نظر گرفتن فعاليت­هاي قبلي شناسايي نمايد. همچنين روش پيشنهادي، قابليت شناسايي الگوهاي پرتكرار را براي مبدأ، مقصد و يا يك فعاليت پربازديد ارائه مي‌نمايد. پس از پياده­سازي بر روي داده­هاي اخذ شده از تعداد 106 كاربر در دانشگاه ام آي تي، نتايج روش پيشنهادي با دو روش بر مبناي ساختار درختي مورد مقايسه قرار گرفت. نتايج بيانگر ميانگين 60 درصدي كاهش زمان محاسبات براي تشكيل پايگاه داده مرتبط و افزايش 50/17 درصدي در پيش­بيني صحيح مي‌باشد.

In recent years, the development of the use of location-based tools has made it possible to produce geometric trajectories from the user's movement paths. In this way, users' goal of traveling and related activities can be considered in addition to the geometry and route shape. the user activity trajectory represents the sequence of the visited activities and its related analysis as presented in many studies. In the meantime, the most important analysis is the identification of frequent patterns to predict future activities. In previous studies, only one user’s data was used, as well as previous activities of the user were not taken into account in presented frequent patterns. For this purpose, this paper presents a framework such as After encoding the activities and forming a sequence matrix, the frequent patterns using all users' trajectories are identified considering previous activities. The proposed method also offers the ability to identify frequent patterns for the origin, destination, or interesting activity. The results of comparing the proposed method with two methods based on tree structure represent a mean of 60% reduction in computing time to form the database.