%0 Journal Article %A Mirzaei Chahardeh, Niloofar %A Minaei-Bidgoli, Behrouz %A Abbasi Fard, Mohammad Reza %T Trajectory Pattern Mining for Moving Objects in Road Networks %J Journal of Iranian Association of Electrical and Electronics Engineers %V 20 %N 3 %U http://jiaeee.com/article-1-1421-fa.html %R 10.52547/jiaeee.20.3.125 %D 2023 %K Trajectory Pattern Mining, Moving Objects, Road Networks, BFE-Enhanced, Clustering Algorithms, %X 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. %> http://jiaeee.com/article-1-1421-fa.pdf %P 125-133 %& 125 %! %9 Research %L A-10-2516-1 %+ Department of Computer Engineering, Faculty of Computer Engineering, Iran University of Science and Technology, Tehran %G eng %@ 2676-5810 %[ 2023