本发明属于移动目标活动模式的确定技术，特别是一种移动目标关联共现模式的确定方法。
背景技术：
：在计算机及网络普遍应用的信息化时代，人们已经习惯在任何时空环境下自然地与计算设备进行交互，具有位置感知功能的计算设备更是无时无刻地处于运转状态，记录着人、车辆等移动目标的行为轨迹。随着卫星通信、无限传感器等信息采集设备的快速发展和广泛应用，移动目标的轨迹数据和行为信息可以被更实时、有效地记录下来。这些移动目标跟踪数据包含了大量时间信息、空间信息及行为信息，可以为挖掘移动目标的活动规律和行为模式提供丰富的隐含条件，这些活动规律和行为模式在国防军事等方面也具有非常重要的研究和应用价值。移动目标轨迹数据的模式挖掘问题在国内外已取得较大研究进展，Castro等(CastroPS,ZhangD,LiS.UrbanTrafficModellingandPredictionUsingLargeScaleTaxiGPSTraces[C]//InternationalConferenceonPervasiveComputing.Springer-Verlag,2012:57-72.)针对大规模传感器等产生的轨迹数据，为构建一个独特的城市动态网络的基本视图，提出一种构建交通密度模型方法，该模型可以用来预测未来的交通状况和估计车辆尾气排放对空气质量的影响。Zhan等(ZhanX,HasanS,UkkusuriSV,etal.Urbanlinktraveltimeestimationusinglarge-scaletaxidatawithpartialinformation[J].TransportationResearchPartCEmergingTechnologies,2013,33(4):37-49.)利用车辆数据集研究城市路段之间平均行驶时间，充分利用路网信息，提出了一种新的估计起始-终止模式平均行程时间的描述模型。Gong等(GongH,ChenC,BialostozkyE,etal.AGPS/GISmethodfortravelmodedetectioninNewYorkCity[J].ComputersEnvironment&UrbanSystems,2012,36(2):131-139.)根据大量出行轨迹提出一种GIS算法，该算法对出行轨迹数据进行处理并从多种交通模式网络中检测出五中出行模式：步行、汽车、公用汽车、地铁和铁路。当在某地居住时，移动目标并不一定是静止的，而是在一个封闭区域里活动。Yue等(YueY,WangHD,HuB,etal.ExploratorycalibrationofaspatialinteractionmodelusingtaxiGPStrajectories[J].ComputersEnvironment&UrbanSystems,2012,36(2):140-153.)利用越来越多的车辆轨迹数据进行了空间相互作用模型校准的可行性研究，并以武汉七大购物中心为例研究了不同零售商圈之间的移动交互规律。由于移动目标的出行具有目的性，很多研究都是基于起讫点进行轨迹数据的分析。Yue等(YueY,WangHD,HuB,etal.ExploratorycalibrationofaspatialinteractionmodelusingtaxiGPStrajectories[J].ComputersEnvironment&UrbanSystems,2012,36(2):140-153.)基于起讫点矩阵利用轨迹数据发现有吸引力的地方以及高频访问地点，研究了随着时间变化用户的出行需求和运动模式。Guo等(GuoD,ZhuX,JinH,etal.DiscoveringSpatialPatternsinOrigin‐DestinationMobilityData[J].TransactionsinGis,2012,16(3):411-429.)以起讫点移动数据为研究对象，提出一种发现和理解移动时空模式的方法，该方法先对数据点进行空间聚类以发现潜在有意义的点，然后通过提取和映射理解集群运动的空间分布和时间趋势。Pan等(PanG,QiG,ZhangD,etal.Land-UseClassificationUsingTaxiGPSTraces[J].IEEETransactionsonIntelligentTransportationSystems,2013,14(1):113-123.)基于车辆起讫点移动轨迹数据，分析了城市土地利用分类以及识别城市土地的社会功能问题。在上述基于起讫点对时空轨迹数据的研究中，以全局模式为分析重点，未对移动目标在移动过程中的模式进行过多特征分析，因此不能发现移动过程中的频繁模式等有价值的信息。在挖掘时空同现模式方面，M.Celik等人(CelikM.Partialspatio-temporalco-occurrencepatternmining[M].Springer-VerlagNewYork,Inc.2015.)将时空同现模式挖掘形式化，首次提出混合群时空同现模式的概念并给出了时空兴趣度的定义及基于混合群的时空同现模式的挖掘方法及具体步骤。考虑到每种类型的生命周期不同，M.Celik又提出了局部时空同现模式的挖掘算法，重新阐述了基于生命周期的时空同现模式挖掘方法。M.Akbari等(AkbariM,SamadzadeganF,WeibelR.Agenericregionalspatio-temporalco-occurrencepatternminingmodel:acasestudyforairpollution[J].JournalofGeographicalSystems,2015,17(3):249-274.)针对模糊自然现象中空间实例对象间单一邻近阔值难满足需求的问题，提出了一个基于上下界阔值的模糊邻近距离，根据该邻近距离进一步计算时空兴趣度并挖掘时空同现模式。H.Jaiwei等人(HanJ,ChengH,XinD,etal.Frequentpatternmining:currentstatusandfuturedirections[J].DataMining&KnowledgeDiscovery,2007,15(1):55-86.)通过传统的Apriori算法从时间序列数据库中挖掘出了部分周期时间序列模式，然而上述周期性研究方法还停留在事务型数据库和空间数据库中，并未拓展到时空数据库中，上述方法也不能直接应用在时空同现模式的周期性研究中。当前，移动目标活动规律都是根据目标轨迹数据进行分析的。通过统计、关联分析等手段，对时空轨迹数据加以分析，可以得到移动目标的一些活动模式，如频繁活动路线、频繁停留地点等。然而，现行的移动目标活动规律多是侧重于空间或时间单一维度，多集中于单目标的活动规律分析，且忽略目标的行为。本发明提出的一种移动目标关联共现模式的确定方法，除了能确定单个移动目标的频繁活动模式，同时引入关联规则，着重考察两个移动目标间的关联规律，在保证结果正确性的前提下，也具有较高的计算效率。技术实现要素：本发明提出了一种移动目标关联共现模式的确定方法。实现本发明的技术解决方案为：一种移动目标关联共现模式的确定方法，具体步骤为：步骤1、对移动目标的活动数据进行划分得到活动数据集；步骤2、依据改进的PrefixSpan算法，计算单个移动目标的频繁活动模式；步骤3、根据两个移动目标间的关联共现参数以及单个移动目标的频繁活动模式计算两个移动目标间的共现强度；步骤4、根据用户筛选条件，确定两个移动目标间的共现模式。本发明与现有技术相比，其显著优点为：1)可以在一定的时间跨度内，确定单个移动目标的频繁活动模式，综合考虑了移动目标活动数据的时间和空间信息。2)在时间及空间属性的基础上，将移动目标的任务属性纳入考虑，即，将移动目标的轨迹数据与其行为分析相结合，实现对移动目标活动模式更细致的划分。3)除了确定单个移动目标的频繁活动模式，同时引入关联规则，着重考察两个移动目标间的关联规律。4)应用改进后的PrefixSpan算法，相较于传统的序列模式算法，该算法从较短的连续项中产生序列模式，增长很少；在投影数据库中，它不用生成候选序列，也不用判断是否有候选序列的存在，算法复杂度较低；而关联强度的计算复杂度近似于O(n)，算法简单有效，计算复杂度低，具有更高的效率。下面结合附图对本发明做进一步详细的描述。附图说明图1为本发明移动目标关联共现模式的确定方法的流程图。具体实施方式一种移动目标关联共现模式的确定方法，具体步骤为：步骤1、对移动目标的活动数据进行划分得到活动数据集，具体划分方法为：对移动目标的活动区域按经纬度进行划分，得到活动区域数据集：Area＝{a1,a2,…,aarea}式中，area为划分区域的总个数；在选定时间段D＝[ds,de]内，以天为单位，对原始轨迹数据集Trace中所有的轨迹数据按日期不同进行划分，得到：Trace＝{trace1,trace2,…,tracen}式中，ds为开始日期，de为结束日期，n为历史数据所跨天数，即：n＝|de-ds|在第di天，所有移动目标的轨迹数据集即为tracei，i∈{1,2,…,n}。按移动目标个体的不同，对第di天移动目标的轨迹数据集tracei进行划分，有：tracei＝{indii1,indii2,…,indiim}式中，m为移动目标个体种数；indiij为第di天，移动目标个体xj的轨迹数据集，j∈{1,2,…,m}。若当天，移动目标个体xj没有轨迹数据，则有：按照行为的不同，第di天移动目标个体xj的轨迹数据集划分为：式中，act为移动目标行为种数；为第di天，移动目标个体xj具有第k种行为的轨迹数据集，k∈{1,2,…,act}，若当天，移动目标个体xj没有具有第k种行为的轨迹数据，则有：步骤2、依据改进的PrefixSpan算法，计算单个移动目标的频繁活动模式，具体步骤为：步骤2.1、将选定时间段D＝[ds,de]内，移动目标个体xj第k种行为的轨迹数据集表示为：将其化为序列形式，具体方法为：现定义序列Qcount＝<I1,I2,I3,…,ITOTAL>，其是由单项有序排列构成的，序列Qcount中每个元素Itotal表示一个单项，且有1≤total≤TOTAL，TOTAL表示序列Qcount的长度，即其包含的单项总数。对于选定时间段D＝[ds,de]内，移动目标个体xj第k种行为的轨迹数据集取出其包含的每一条轨迹数据，提取其中包含的区域顺序信息，化为序列形式则有：Qcount＝<I1,I2,I3,…,ITOTAL>式中，I1,I2,I3,…,ITOTAL各表示一个移动目标个体xj去过的区域，且按时间升序排列。TOTAL表示该条轨迹数据经过的区域个数，对于则有步骤2.2、寻找轨迹数据集中的序列模式，构建频繁序列集合，具体方法为：定义support(Qcnt)为序列Qcnt的支持数，即序列Qcnt在轨迹数据集的所有子集中的个数，其中定义sup为支持度，是预先设定的一个阈值。如果序列Qcnt的支持数support(Qcnt)不小于支持度sup，那么序列Qcnt就称作是在轨迹数据集中的一个序列模式，长度为len的序列模式就称作len-模式，同时将序列Qcnt存入选定时间段D＝[ds,de]内，移动目标个体xj第k种行为的频繁序列集合中，则有：记录序列Qcnt的出现次数为：cxcscnt＝support(Qcnt)步骤2.3、计算获得选定时间段内，单个移动目标的频繁活动模式，具体方法为：对频繁序列集合进行去重合并，去除子集序列，获得最长频繁序列集合：最长频繁序列集合即为在选定时间段D＝[ds,de]内，移动目标个体xj具有第k种行为的频繁活动模式。步骤3、计算两个移动目标间的共现强度，具体步骤为：步骤3.1、判断两两移动目标间是否存在关联共现，具体方法为：步骤3.1.1、在选定时间段D＝[ds,de]内，以天为单位，计算两个移动目标间，基于行为的共同出现次数，具体方法为：对于任意属于选定时间段D＝[ds,de]中的第di天的轨迹数据集tracei，对于任意两目标xA和xB，对于其具有的任意行为k1和k2，及任意活动区域α和β，计算其共同出现次数其中，i∈{1,2,…,n}，A、B∈{1,2,…,m}，k1、k2∈{1,2,…,act}，α、β∈{a1,a2,…,aarea}，A与B互异，k1和k2可以相同，α和β可以相同。若第di天，目标xA出现具有行为k1的活动数据，目标xB也出现具有行为k1的活动数据，则：步骤3.1.2、在选定时间段D＝[ds,de]内，以天为单位，计算两个移动目标间，基于行为的共同出现时长，具体方法为：对于任意属于选定时间段D＝[ds,de]中的第di天的轨迹数据集tracei，对于任意两目标xA和xB，对于其具有的任意行为k1和k2，及任意活动区域α和β，若其共同出现次数则计算其共同出现时长：其中，分别表示第di天目标xA在区域α执行行为k1和xB在区域β执行行为k2的活动开始时间，分别表示第di天目标xA在区域α执行行为k1和xB在区域β执行行为k2的活动结束时间，i∈{1,2,…,n}，A、B∈{1,2,…,m}，k1、k2∈{1,2,…,act}，α、β∈{a1,a2,…,aarea}，A与B互异，k1和k2可以相同，α和β可以相同。步骤3.1.3、在选定时间段D＝[ds,de]内，以天为单位，计算两个移动目标间，基于行为的共同出现的间隔距离，具体方法为：对于任意属于选定时间段D＝[ds,de]中的第di天的轨迹数据集tracei，对于任意两目标xA和xB，对于其具有的任意行为k1和k2，及任意活动区域α和β，若其共同出现次数且共同出现时长则计算其共同出现的间隔距离：其中，pl、ql分别目标xA和xB在第1个取样点的位置信息，sam为采样点数，i∈{1,2,…,n}，A、B∈{1,2,…,m}，k1、k2∈{1,2,…,act}，α、β∈{a1,a2,…,aarea}，A与B互异，k1和k2可以相同，α和β可以相同。步骤3.1.4、在选定时间段D＝[ds,de]内，判断两两移动目标间是否存在关联共现，具体方法为：若选定时间段D＝[ds,de]内，对于任意两目标xA和xB，对于其具有的任意行为k1和k2，及任意活动区域α和β，共同出现次数大于次数阈值sΔ，共同出现时长大于时长阈值tΔ，间隔距离小于距离阈值disΔ，则判断目标xA和xB间存在关联共现，其中：式中，i∈{1,2,…,n}，A、B∈{1,2,…,m}，k1、k2∈{1,2,…,act}，α、β∈{a1,a2,…,aarea}，A与B互异，k1和k2可以相同，α和β可以相同。步骤3.2、计算两个移动目标间的共现强度，具体步骤为：步骤3.2.1、对最长频繁序列进行去重，获得目标频繁到访区域集，具体方法为：对在选定时间段D＝[ds,de]中，任意移动目标xj，及其具有的任意行为k，目标xj的任意一条最长频繁序列去除重复项，每一单项至多保留一个，从而获得移动目标xj频繁到访区域集：FreAreafrecnt＝{fag|0≤g≤|FreAreafrecnt|}式中，fag∈Area。步骤3.2.2、根据频繁活动模式，计算移动目标间的共现强度，具体方法为：在选定时间段D＝[ds,de]中，对于任意两目标xA和xB，及其具有的任意行为k1和k2，目标xA的任意频繁到访区域集FreAreaAfrecnt＝{faga|0≤ga≤|FreAreaAfrecnt|}，目标xB的任意频繁到访区域集FreAreaBfrecnt＝{fagb|0≤gb≤|FreAreaBfrecnt|}，对于任意γ∈FreAreaAfrecnt，δ∈FreAreaBfrecnt，基于行为及活动区域的共现强度为：其中，为选定时间段内间隔距离归一化后的结果，即：其中，为选定时间段内间隔距离的最大值，为最小值，faga、fagb∈Area。则在选定时间段D＝[ds,de]内，对于具有的行为k1和k2的移动目标xA和xB间的共现强度为：步骤4、根据用户筛选条件，确定两个移动目标间的共现模式，具体步骤为：步骤4.1、根据用户筛选条件，计算移动目标间的共现强度，具体方法为：根据用户选择的时间段D＝[ds,de]及移动目标行为类型集K＝{k|k∈{1,2,…,act}}，得到用户筛选的移动目标xA和xB间的共现强度：步骤4.2、判断两个移动目标间的共现模式定义移动目标间的共现模式分为强关联共现模式，中关联共现模式及弱关联共现模式。预先设定阈值ξ及ζ，则在选定时间段D＝[ds,de]内，对于移动目标xA和xB间的共现强度ΨAB：(1)若0≤ΨAB＜ξ，则移动目标xA和xB间存在弱关联共现模式；(2)若ξ≤ΨAB＜ζ，则移动目标xA和xB间存在中关联共现模式；(3)若ζ≤ΨAB≤1，则移动目标xA和xB间存在强关联共现模式。本发明公开的一种移动目标关联共现模式的确定方法，将移动目标的轨迹数据与行为分析相结合。综合考虑了移动目标活动数据的时空信息。引入关联规则，着重考察移动目标间的关联规律。算法复杂度较低，具有更高的效率。下面结合实施例进行更详细的描述。实施例1一种移动目标关联共现模式的确定方法，具体步骤为：步骤1、对移动目标的活动数据进行划分得到活动数据集，具体划分方法为：对移动目标的活动区域按经纬度进行划分，得到活动区域数据集：Area＝{a1,a2,…,aarea}式中，area为划分区域的总个数；示例1划分区域如表1所示。表1划分区域表Aid区域名称中心经度中心纬度1a113.933333413.433333332b112.88369.5698613c114.0610.913614d115.538339.9016675e112.831118.8656f114.4677219.9102787g114.55866469.9058333348h114.28111118.742083334在选定时间段D＝[ds,de]内，以天为单位，对原始轨迹数据集Trace中所有的轨迹数据按日期不同进行划分，得到：Trace＝{trace1,trace2,…,tracen}式中，ds为开始日期，de为结束日期，n为历史数据所跨天数，即：n＝|de-ds|在第di天，所有移动目标的轨迹数据集即为tracei，i∈{1,2,…,n}。示例1于2017年3月14日的轨迹数据集前10条数据如表2所示。表22017年3月14日的轨迹数据集前10条数据按移动目标个体的不同，对第di天移动目标的轨迹数据集tracei进行划分，有：tracei＝{indii1,indii2,…,indiim}式中，m为移动目标个体种数；indiij为第di天，移动目标个体xj的轨迹数据集，j∈{1,2,…,m}。若当天，移动目标个体xj没有轨迹数据，则有：按照行为的不同，第di天移动目标个体xj的轨迹数据集划分为：式中，act为移动目标行为种数；为第di天，移动目标个体xj具有第k种行为的轨迹数据集，k∈{1,2,…,act}，若当天，移动目标个体xj没有具有第k种行为的轨迹数据，则有：示例1中，移动目标A于2017年3月14日，具有未知行为的轨迹数据集如表3所示。表32017年3月14日的移动目标A具有未知行为的轨迹数据集步骤2、依据改进的PrefixSpan算法，计算单个移动目标的频繁活动模式，具体步骤为：步骤2.1、将选定时间段D＝[ds,de]内，移动目标个体xj第k种行为的轨迹数据集表示为：将其化为序列形式，具体方法为：现定义序列Qcount＝<I1,I2,I3,…,ITOTAL>，其是由单项有序排列构成的，序列Qcount中每个元素Itotal表示一个单项，且有1≤total≤TOTAL，TOTAL表示序列Qcount的长度，即其包含的单项总数。对于选定时间段D＝[ds,de]内，移动目标个体xj第k种行为的轨迹数据集取出其包含的每一条轨迹数据，提取其中包含的区域顺序信息，化为序列形式则有：Qcount＝<I1,I2,I3,…,ITOTAL>式中，I1,I2,I3,…,ITOTAL各表示一个移动目标个体xj去过的区域，且按时间升序排列。TOTAL表示该条轨迹数据经过的区域个数，对于则有步骤2.2、寻找轨迹数据集中的序列模式，构建频繁序列集合，具体方法为：定义support(Qcnt)为序列Qcnt的支持数，即序列Qcnt在轨迹数据集的所有子集中的个数，其中定义sup为支持度，是预先设定的一个阈值。如果序列Qcnt的支持数support(Qcnt)不小于支持度sup，那么序列Qcnt就称作是在轨迹数据集中的一个序列模式，长度为len的序列模式就称作len-模式，同时将序列Qcnt存入选定时间段D＝[ds,de]内，移动目标个体xj第k种行为的频繁序列集合中，则有：记录序列Qcnt的出现次数为：cxcscnt＝support(Qcnt)步骤2.3、计算获得选定时间段内，单个移动目标的频繁活动模式，具体方法为：对频繁序列集合进行去重合并，去除子集序列，获得最长频繁序列集合：最长频繁序列集合即为在选定时间段D＝[ds,de]内，移动目标个体xj具有第k种行为的频繁活动模式。设定支持度sup为20％，示例1中移动目标A，于2017年3月14日的频繁活动模式如表4所示。表42017年3月14日的移动目标A的频繁活动模式Sid移动目标任务频繁经过区域经过起始日期出现次数149084125136700000移动目标A未知e14894620480007设定支持度sup为20％，示例1中，于2017年3月14日至2017年3月24日，所得的所有频繁活动模式前5条数据如表5所示。表52017年3月14日至3月24日频繁活动模式数据步骤3、计算两个移动目标间的共现强度，具体步骤为：步骤3.1、判断两两移动目标间是否存在关联共现，具体方法为：步骤3.1.1、在选定时间段D＝[ds,de]内，以天为单位，计算两个移动目标间，基于行为的共同出现次数，具体方法为：对于任意属于选定时间段D＝[ds,de]中的第di天的轨迹数据集tracei，对于任意两目标xA和xB，对于其具有的任意行为k1和k2，及任意活动区域α和β，计算其共同出现次数其中，i∈{1,2,…,n}，A、B∈{1,2,…,m}，k1、k2∈{1,2,…,act}，α、β∈{a1,a2,…,aarea}，A与B互异，k1和k2可以相同，α和β可以相同。若第di天，目标xA出现具有行为k1的活动数据，目标xB也出现具有行为k1的活动数据，则：步骤3.1.2、在选定时间段D＝[ds,de]内，以天为单位，计算两个移动目标间，基于行为的共同出现时长，具体方法为：对于任意属于选定时间段D＝[ds,de]中的第di天的轨迹数据集tracei，对于任意两目标xA和xB，对于其具有的任意行为k1和k2，及任意活动区域α和β，若其共同出现次数则计算其共同出现时长：其中，分别表示第di天目标xA在区域α执行行为k1和xB在区域β执行行为k2的活动开始时间，分别表示第di天目标xA在区域α执行行为k1和xB在区域β执行行为k2的活动结束时间，i∈{1,2,…,n}，A、B∈{1,2,…,m}，k1、k2∈{1,2,…,act}，α、β∈{a1,a2,…,aarea}，A与B互异，k1和k2可以相同，α和β可以相同。步骤3.1.3、在选定时间段D＝[ds,de]内，以天为单位，计算两个移动目标间，基于行为的共同出现的间隔距离，具体方法为：对于任意属于选定时间段D＝[ds,de]中的第di天的轨迹数据集tracei，对于任意两目标xA和xB，对于其具有的任意行为k1和k2，及任意活动区域α和β，若其共同出现次数且共同出现时长则计算其共同出现的间隔距离：其中，pl、ql分别目标xA和xB在第l个取样点的位置信息，sam为采样点数，i∈{1,2,…,n}，A、B∈{1,2,…,m}，k1、k2∈{1,2,…,act}，α、β∈{a1,a2,…,aarea}，A与B互异，k1和k2可以相同，α和β可以相同。步骤3.1.4、在选定时间段D＝[ds,de]内，判断两两移动目标间是否存在关联共现，具体方法为：若选定时间段D＝[ds,de]内，对于任意两目标xA和xB，对于其具有的任意行为k1和k2，及任意活动区域α和β，共同出现次数大于次数阈值sΔ，共同出现时长大于时长阈值tΔ，间隔距离小于距离阈值disΔ，则判断目标xA和xB间存在关联共现，其中：式中，i∈{1,2,…,n}，A、B∈{1,2,…,m}，k1、k2∈{1,2,…,act}，α、β∈{a1,a2,…,aarea}，A与B互异，k1和k2可以相同，α和β可以相同。步骤3.2、计算两个移动目标间的共现强度，具体步骤为：步骤3.2.1、对最长频繁序列进行去重，获得目标频繁到访区域集，具体方法为：对在选定时间段D＝[ds,de]中，任意移动目标xj，及其具有的任意行为k，目标xj的任意一条最长频繁序列去除重复项，每一单项至多保留一个，从而获得移动目标xj频繁到访区域集：FreAreafrecnt＝{fag|0≤g≤|FreAreafrecnt|}式中，fag∈Area。步骤3.2.2、根据频繁活动模式，计算移动目标间的共现强度，具体方法为：在选定时间段D＝[ds,de]中，对于任意两目标xA和xB，及其具有的任意行为k1和k2，目标xA的任意频繁到访区域集FreAreaAfrecnt＝{faga|0≤ga≤|FreAreaAfrecnt|}，目标xB的任意频繁到访区域集FreAreaBfrecnt＝{fagb|0≤gb≤|FreAreaBfrecnt|}，对于任意γ∈FreAreaAfrecnt，δ∈FreAreaBfrecnt，基于行为及活动区域的共现强度为：其中，为选定时间段内间隔距离归一化后的结果，即：其中，为选定时间段内间隔距离的最大值，为最小值，faga、fagb∈Area。则在选定时间段D＝[ds,de]内，对于具有的行为k1和k2的移动目标xA和xB间的共现强度为：示例1中，取sam＝5，ε＝1/3，∈＝1/3，θ＝1/3，于2017年3月14日至2017年3月24日，所得的两两移动目标间的共现强度前5条数据如表6所示。表62017年3月14日至3月24日共现强度数据步骤4、根据用户筛选条件，确定两个移动目标间的共现模式，具体步骤为：步骤4.1、根据用户筛选条件，计算移动目标间的共现强度，具体方法为：根据用户选择的时间段D＝[ds,de]及移动目标行为类型集K＝{k|k∈{1,2,…,act}}，得到用户筛选的移动目标xA和xB间的共现强度：步骤4.2、判断两个移动目标间的共现模式定义移动目标间的共现模式分为强关联共现模式，中关联共现模式及弱关联共现模式。预先设定阈值ξ及则在选定时间段D＝[ds,de]内，对于移动目标xA和xB间的共现强度ΨAB：(1)若0≤ΨAB＜ξ，则移动目标xA和xB间存在弱关联共现模式；(2)若ξ≤ΨAB＜ζ，则移动目标xA和xB间存在中关联共现模式；(3)若ζ≤ΨAB≤1，则移动目标xA和xB间存在强关联共现模式。示例1中，设定阈值ξ＝0.250，ζ＝0.500，则于2017年3月14日至2017年3月24日，所得的两两移动目标间的共现模式前5条数据如表7所示。表72017年3月14日至3月24日共现模式数据当前第1页1 2 3