نیلوفر میرزائی چهارده - Department Computer and IT Engineering, Faculty of Computer and IT Engineering, Raja University
بهروز مینایی بیدگلی - Department of Computer Engineering, Faculty of Computer Engineering, Iran University of Science and Technology, Tehran
محمدرضا عباسی فرد - Department of Computer and IT Engineering, Faculty of Computer and IT Engineering, Adiban Institute of Higher Education, Garmsar

به­ کارگیری الگوکاوی بر روی داده­های مرتبط با مسیرها و جاده­ها، دستاوردهای با­ارزش و اثرگذاری را در حوزه­های مختلفی، همچون راه و شهرسازی، حمل و نقل و حتی پیش­بینی سرویس­های اجتماعی به ارمغان آورده است. در این مقاله به کاوش الگوهای خط­سیر در اشیا متحرک در شبکه­های جاده­ای پرداخته شده است. تا بتوان به کمک آن الگوهای مناسبی را استخراج نماییم. ازجمله چالش­های موجود در تکنیک­های خوشه­بندی در بحث الگوکاوی، پیدا کردن الگوهای متوالی همراه با زمان اجرای پایین می­باشد. برای حل این مشکل، از تکنیک­های خوشه­بندی برای معرفی یک الگوریتم پیشنهادی به نام BFEs-Enhanced استفاده شده است، که با استفاده از آن می­توان الگوهای Flock متوالی و معنی­داری را که دارای بازه زمانی پایینی می­باشند، استخراج نمود. نتایج شبیه­سازی نشان می­دهد که، روش پیشنهادی به دلیل استفاده از معیارهای مناسب برای خوشه­بندی که شامل: حداکثر فاصله ثابت و حداقل تعداد می­باشد و اضافه کردن معیار جدیدی به نام حداقل دوره زمانی به الگوریتم پیشنهادی و از طرف دیگر، در روش پیشنهادی علاوه بر معیار فاصله که الگوریتمBFE-Enhanced داشته است، معیار جهت نیز برای بهبود دقت عملکرد به الگوریتم پیشنهادی اضافه شده است. که در نتیجه، الگوریتم پیشنهادی، بازه زمانی را کاهش و تعداد الگوهای معنی­دار و متوالی را افزایش می­دهد.

Trajectory Pattern Mining, Moving Objects, Road Networks, BFE-Enhanced, Clustering Algorithms, الگوکاوی خط سیر, اشیا متحرک, شبکه های جاده ای, الگوریتم های خوشه بندی, الگوریتم BFE-Enhanced