Resumen

La minería de patrones frecuentes es un enfoque efectivo para el análisis de asociación espacio-temporal de grandes datos de trayectorias móviles en sistemas de transporte inteligente impulsados por datos. Si bien los algoritmos paralelos existentes se han aplicado con éxito a la minería de patrones frecuentes en datos de trayectorias a gran escala, dos desafíos principales son cómo superar los defectos inherentes de Hadoop para hacer frente a los grandes datos de trayectorias de taxis, incluidos los archivos pequeños masivos, y cómo descubrir los patrones frecuentes espacio-temporales implícitos con MapReduce. Para superar estos desafíos, este artículo presenta un algoritmo de Crecimiento de Patrones Frecuentes Paralelo basado en MapReduce (MR-PFP) para analizar las características espacio-temporales de la operación de taxis utilizando trayectorias de taxis a gran escala con estrategias de procesamiento de archivos pequeños masivos en una plataforma Hadoop. Más específicamente, primero implementamos tres métodos, es decir, Hadoop Archives (HAR), CombineFileInputFormat (CF

• Materias:Big Data Restricciones distribuidas Algoritmo de inferencia Gestión administrativa
• Subjects:Big Data Distributed constraints Inference algorithm Administrative management
• Palabras claves:Minería de patrones frecuentes; Análisis de asociación espacio-temporal; Grandes datos de trayectorias móviles; Algoritmos paralelos; MapReduce; Operación de taxis
• Keywords:Frequent pattern mining; Spatiotemporal association analysis; Mobile trajectory big data; Parallel algorithms; MapReduce; Taxi operating