走在汽車革命的路上論文書籍站
國立臺灣科技大學 工業管理系 林希偉所指導 林姿伶的 應用多元時間序列分群於駕駛風險評估與軌跡預測 （2020），提出drive+行車軌跡關鍵因素是什麼，來自於時間序列分群、駕駛行為、風險評估、軌跡預測、長短期記憶神經網路。
而第二篇論文國立交通大學 資訊科學與工程研究所 彭文志、陳伶志所指導 朱文園的 在社群媒體中探勘使用者軌跡特徵 （2015），提出因為有 社群媒體、使用者移動行為、個人軌跡模型、社群結構、軌跡特徵探勘、地點推銷、影響最大化、傳播模型、打卡行為的重點而找出了 drive+行車軌跡的解答。
應用多元時間序列分群於駕駛風險評估與軌跡預測
為了解決drive+行車軌跡 的問題，作者林姿伶 這樣論述：
透過數據分析來提昇道路駕駛的安全與降低交通事故發生的機率是現今關注的重要議題，近年來亦有許多學者透過資料探勘方法進行行車軌跡、車道變換、駕駛行為分類等研究。行車軌跡或駕駛行為往往透過時間序列資料呈現，相近時點的行為之間存在特定的相依性，然考量動態時間下的駕駛行為變化之分析相對匱乏。本研究將利用軌跡數據以時間序列分群法判別駕駛員的風險行為模式並進行軌跡預測。本研究透過車輛軌跡數據，建構駕駛行為與駕駛風險指標之多維度時間序列資料，據以進行分群，並利用駕駛行為及風險的分群結果來強化軌跡預測，發展出可以將駕駛風格分類的參考模型，並討論風險行為分類加入軌跡預測模型後的結果。研究之結果亦可用於識別駕駛員
的風險等級，提供未來自動駕駛以及保險相關定價策略的決策依據 。
在社群媒體中探勘使用者軌跡特徵
為了解決drive+行車軌跡 的問題，作者朱文園 這樣論述：
隨著擁有定位能力的裝置愈來愈輕便和普及（如智慧型手機和穿戴式裝置），使得使用者的位置資訊愈來愈容易被取得。許多社群媒體提供使用者分享軌跡資料，如旅遊軌跡、跑步軌跡、騎車路線和行車軌跡。另外，許多社群媒體也提供使用者分享位置訊息，如打卡資訊和相片中的位置資訊。這些包含地理資訊的資料代表著使用者的移動行為，如果能從這些資料中探勘使用者的軌跡特徵，則可以在社群平台上提供更多和地理相關的個人化服務。在這篇論文中，我們專注於在社群媒體中探勘使用者的軌跡特徵。首先，在第一個主題中，我們從軌跡資料中探勘有類似移動行為的使用者社群。找出基於移動行為的使用者社群能夠快速找到有著類似移動行為的使用者，並在行動社
群平台上提供像是使用者推薦和軌跡推薦等服務。針對這個問題，我們設計 SP-tree (Sequential Patteren tree) 用來表示使用者移動軌跡的特徵，其中 SP-tree 不止包含了使用者移動的循序特徵 (sequential pattern) 也包含使用者下一步移動行為 (next movement)。另外也針對不同特性的軌跡資料，設計了兩種不同的演算法 DF 和 BF 以適應不同特性的軌跡資料，有效率地建立每個使用者的 SP-tree。另外為了計算使用者之間的相似度，我們定義 SP-tree 之間的相似度算法。最後基於使用者之間的相似度，針對使用者移動社群的特性，設計了一
個基於貪婪演算法的移動社群探勘演算法 Geo-Cluster，找出有類似移動行為的使用者社群。在第二個主題中，我們發現在社群媒體中，許多店家希望來店消費的人在店裡打卡 (check-in)，藉此吸引更多的消費者前來消費。從影響最大化 (influence maximization) 的角度來看，店家會選擇一群種子使用者在店內打卡，讓這些使用者能夠影響其朋友來店內打卡並消費，這些使用者打卡之後又能影響其朋友。為了選擇一群種子使用者，能夠讓最多人能在店內打卡，我們設計打卡資訊在社群媒體中傳播的模型 (Location-aware Independent Cascade Model; LICM)。為
了找出傳播模型中的參數，我們探勘使用者的打卡記錄，設計以高斯模型為基礎的模型 (Gaussian-based Mobility Models; GMMs) 和以距離為基礎的模型 (Distance-based Mobility Models; DMMs) 描述使用者的打卡行為，透過 GMMs 和 DMMs 我們能夠精準地根據使用者打卡紀錄推測傳播模型中的參數。透過此傳播模型，我們能輕易地選出一群種子使用者讓最多人能在店內打卡。在第三個主題中，我們認為使用者的打卡資訊除了包含使用者什麼時間在什麼地方的訊息之外，也包含使用者所從事了活動的訊息。如果我們從使用者打卡紀錄中探勘地點、時間和活動之間的關
係，社群媒體就能提供更為精準的個人化在地服務。因此，我們專注於個人化活動預測 (individual activity inference) 和個人化移動預測 (individual mobility inference)。我們分析使用者的打卡紀錄，透過貝氏網路 (Bayesian network) 描述使用者打卡行為中，地點、時間和活動之間的關係。透過此網路模型，個人化活動預測和個人化移動預測也可被簡化成只需要探討 1) 活動--時間的關係和 2) 地點--活動的關係。針對活動--時間的關係，我們提出 Order-1 Activity Transition Model (OATM) 描述使用
者打卡中活動和時間的關係。另一方面，針對地點--活動，我們使用以高斯組合模型 (Gaussian mixture model; GMM) 描述使用者打卡中地點和活動的關係。透過我們所提出的 OATM 和 GMM，我們可以大幅簡化計算個人化活動預測和個人化移動預測，也能得到良好的預測結果。從此三個主題中，我們能夠了解社群媒體上包含地理資訊的傳播和使用者的移動行為是有關係的，此篇論文即是透過探勘社群媒體上的軌跡特徵，嘗試找出這些關係並且加以描述。