基于云計算的個人活動軌跡歸集整理技術研究

潘海霞

（陜西警官職業學院，陜西西安 710021）

個人活動軌跡是個人行為模式的表象特征，能夠直接體現出個人活動信息。由于網絡信息化技術的不斷發展，互聯網能夠精準記錄個人活動信息，進而形成個人活動軌跡。個人活動軌跡中包含大量針對個人的有效信息，具有數據挖掘價值，因此，針對個人活動軌跡方面的研究成為學術界研究的熱點內容?？紤]到個人活動軌跡中包含的信息數據十分復雜、多樣，對其進行綜合的分析挖掘具有很高的難度系數。為此，需要對個人活動軌跡進行一定的歸集整理，個人活動軌跡歸集整理技術應勢而生，通過個人活動軌跡數據匯總的方式，實現個人活動軌跡綜合歸集整理。結合研究中表明，傳統個人活動軌跡歸集整理技術在實際應用中盡管能夠在一定限度上提高個人活動軌跡歸集整理效率，但其對個人活動軌跡的歸集整理一致性比率較低，通過該技術無法得到高精度的個人活動軌跡歸集整理結果。由此可見，針對個人活動軌跡歸集整理技術的優化設計是具有現實意義的。

云計算作為一種信息處理技術，能夠通過網絡云實現對信息數據的分解處理，為信息數據提供分布式計算功能，在信息處理領域中具備十分優越的應用效果，能夠提高對信息資源的整合能力。因此，有理由將云計算應用在個人活動軌跡歸集整理技術的優化設計中，相信其在傳統歸集整理技術中的適用性，為此，設計基于云計算的個人活動軌跡歸集整理技術，致力于通過云計算極大程度上提高個人活動軌跡歸集整理一致性比率。

1 云計算

云計算的本質是利用一系列虛擬資源的整合，通過并行計算的方式將多種信息數據在同一時間進行處理，最大限度上提高信息的處理效率[1]?；谠朴嬎愕男畔⑻幚碇?，能夠大大增強人機交互能力，減少傳統獲取技術架構資源所需花費的成本。云計算具備極強的適應性以及可拓展性，通過IaaS中間件以及PaaS中間件的融合使用，能夠實現基于云系統的效用計算。不僅如此，云計算還具備敏捷的特點，能夠提高計算效率[2]。云計算的服務特征主要包括以下幾點，分別為：網絡中心化、服務自助化、資源的池化和透明化以及資源配置動態化。其中，網絡中心化指的是云計算的整體運行都必須依靠計算機加以實現；服務自助化指的是云計算運行所提供的資源服務是由云系統自動生成的，而非用戶同提供商交互獲得；資源的池化和透明化指的是云計算中運用的資源之間具備共享性，能夠隨意被調動，且資源之間不存在隱蔽性；資源配置動態化指的是云計算過程中，能夠對資源進行相應的匹配，為響應匹配需求，資源會在第一時間快速彈性提供，減少其中所需的匹配等待時間。基于此，下文將展開基于云計算的個人活動軌跡歸集整理技術設計，具體內容如下文所示。

2 基于云計算的個人活動軌跡歸集整理技術

2.1 獲取個人活動軌跡時間序列

考慮到個人活動軌跡的特性，其核心不是一成不變的，會隨著時間的推移而發生改變，因此，本文通過獲取個人活動軌跡時間序列的方式，得到基于時間采樣的個人活動軌跡相關數據[3]。設此目標函數為Tr，則有公式（1）。

公式（1）中，X指的是個人活動軌跡在時間軸上的橫坐標點位；Y指的是個人活動軌跡在時間軸上的縱坐標點位；S指的是起始時刻；ΔT指的是個人活動軌跡時間間隔；n指的是個人活動軌跡中點位個數，為實數?；诠剑?），可獲取個人活動軌跡時間序列。

2.2 明確個人活動軌跡空間位置

以上述獲取的個人活動軌跡時間序列為依據，由于個人活動軌跡數據量大，在歸集整理過程中會存在大量冗余，且容易出現遺漏的現象，導致個人活動軌跡歸集整理精度低[4]。為此，本文還需要明確個人活動軌跡空間位置，通過空間定位的方式歸集個人活動軌跡的位置、時間、屬性信息空間變化情況。在此次研究中，采用離散化形式，記錄個人活動軌跡空間位置信息，設其表達式為Ts，則有公式（2）。

公式（2）中，Z指的是個人活動軌跡在時間軸上的空間坐標點位。通過公式（2），得到個人活動軌跡空間位置信息，如圖1所示。

圖1 個人活動軌跡空間位置

結合圖1所示，以此作為個人活動軌跡歸集采樣依據，為下文基于云計算提取個人活動軌跡歸集整理特征奠定基礎。

2.3 基于云計算提取個人活動軌跡歸集整理特征

在明確個人活動軌跡空間位置的基礎上，基于云計算的分布式計算功能，調用個人活動軌跡底層資源，使個人活動軌跡歸集整理特征之間相互獨立[5]。設個人活動軌跡歸集整理特征最大后驗假定可按Da的方程式計算，則有公式（3）。

公式（3）中，p指的是個人活動軌跡信息權重；c指的是個人活動軌跡中到訪頻率；x指的是個人活動軌跡中主要停留時間；n指的是個人活動軌跡中較長停留時間節點個數，為實數；j指的是個人活動軌跡中錨點個數，為實數。通過公式（3），在滿足個人活動軌跡歸集整理特征最大后驗假定的前提下，調用個人活動軌跡歸集整理特征資源數據，形成一個能夠共享的資源池，為個人活動軌跡歸集整理提供信息調用便利[6]。在此基礎上，通過云計算IaaS中間件以及PaaS中間件的共同作用，并行調用個人活動軌跡歸集整理特征資源數據，并在其中計算出包含的信息特征。通過基于云計算提取個人活動軌跡歸集整理特征，從而提取個人活動軌跡歸集整理的最優解。

2.4 實現個人活動軌跡歸集整理

完成上述研究后，本次通過識別個人活動相似軌跡的方式，實現個人活動軌跡歸集整理[7]。在此過程中，根據個人活動軌跡形狀中的采樣點以及錨點，歸集整理出共同特征，設個人活動軌跡優化歸集整理后的表達式為ΔR，則有公式（4）。

公式（4）中，k指的是阿米霍步長；M指的是個人活動軌跡信息元素集合；h指的是個人活動軌跡相似度；Q指的是個人活動軌跡信息的負梯度方向；μ指的是個人活動軌跡信息的正梯度方向。通過以上計算步驟，轉換獲取的個人活動軌跡歸集整理具體數據，提供直觀的個人活動軌跡歸集整理數據。由于存在較多的難以控制的外界環境等影響因素，應在歸集整理中根據多種參數變化條件全面地調整個人活動軌跡歸集整理目標，進而確保個人活動軌跡的精細化歸集整理。至此，完成基于云計算的個人活動軌跡歸集整理。

3 實例分析

3.1 實驗準備

設計實例分析，選擇某人的個人活動軌跡作為實驗對象，且其個人活動軌跡復雜、分散，本次實例分析內容為歸集整理個人活動軌跡。忽略其他對實驗造成影響的外界因素，首先，使用本文基于云計算下設計的技術，歸集整理個人活動軌跡，使用matalb軟件測得其歸集整理一致性比率，定義該組為實驗組。再使用傳統的技術實施相同步驟的操作，同樣使用matalb軟件測得其歸集整理一致性比率，定義該組為對照組。為了避免突發事件對實驗結果的影響，將多種變量參數控制一致，共設置10次實驗，記錄測得的歸集整理一致性比率。歸集整理一致性比率越高表示該技術對于個人活動軌跡歸集整理精度越高，能夠得到高精度的個人活動軌跡歸集整理結果。

3.2 實驗結果分析與結論

將上述實驗后所得的實驗結果匯總，得到本次實例分析的結論，如下表1所示。

表1 技術歸集整理一致性比率對比表

通過表1可知，實驗組歸集整理一致性比率數值范圍在35-40 bps/s之間；而對照組歸集整理一致性比率數值范圍在20-30bps/s之間。由此可見，應用云計算的個人活動軌跡歸集整理技術能夠提高歸集整理一致性比率，證明設計技術更具實際應用價值，值得被大力推廣。

4 結束語

通過基于云計算的個人活動軌跡歸集整理技術研究，能夠明確云計算在個人活動軌跡歸集整理中的適用性。通過此次研究能夠看出針對個人活動軌跡歸集整理技術優化設計的現實意義，能夠取得顯著的研究成果。在以往針對此方面的研究中，可以為學者帶來參考價值。但本文同樣存在不足之處，主要表現為缺乏針對個人活動軌跡模式的詳細分析。為此，在后續的研究中，希望可以有學者在本次研究的基礎上對個人活動軌跡模式的分析加以補足。