基于时空相似度聚类的热点载客路径挖掘

出租车的载客轨迹直接体现了车辆的行驶状态和居民的出行规律,热点载客路径的挖掘为交通管理与规划,居民行为模式发现及出租车载客推荐等具有重要价值. 本文以兰州市3 000 辆出租车载客轨迹为研究对象,提出了基于时空相似性聚类的热点载客路径挖掘算法. 首先,根据出租车的GPS轨迹数据提取出载客轨迹及其核心轨迹;然后,根据提出的相似性度量算法计算核心轨迹的空间相似性、时间相似性及时空相似性,并结合DBSCAN聚类算法对载客轨迹进行聚类;最后,根据聚类结果获取城市热点载客路径的空间分布,并分析了其在工作日和非工作日的差异. 实验结果表明,本文提出的挖掘算法能有效、快速地发现城市热点载客路径的分布.     

基于时空相似度聚类的热点载客路径挖掘

出租车的载客轨迹直接体现了车辆的行驶状态和居民的出行规律,热点载客路径的挖掘为交通管理与规划,居民行为模式发现及出租车载客推荐等具有重要价值. 本文以兰州市3 000 辆出租车载客轨迹为研究对象,提出了基于时空相似性聚类的热点载客路径挖掘算法. 首先,根据出租车的GPS轨迹数据提取出载客轨迹及其核心轨迹;然后,根据提出的相似性度量算法计算核心轨迹的空间相似性、时间相似性及时空相似性,并结合DBSCAN聚类算法对载客轨迹进行聚类;最后,根据聚类结果获取城市热点载客路径的空间分布,并分析了其在工作日和非工作日的差异. 实验结果表明,本文提出的挖掘算法能有效、快速地发现城市热点载客路径的分布.     

基于轨迹压缩的航空器飞行轨迹聚类研究

为准确掌握终端区航空器飞行模式,有效评估、优化飞行程序,首先,针对飞行轨迹点的时空特性,提出基于时间比的自上向下算法压缩轨迹;其次,结合轨迹点的速度和航向特征,建立基于多维属性特征的轨迹相似性模型;最后,应用禁忌粒子群(TSPSO)算法改进和优化模糊C-均值聚类(FCM)算法,并结合终端区的真实飞行轨迹数据对改进聚类算法进行验证.结果表明:轨迹压缩技术极大地降低了计算开销;与传统的FCM算法相比,改进后的聚类算法可以得到更优的满意解,提高飞行轨迹聚类效果.     

考虑对地航速和航向的船舶典型轨迹提取方法

基于船舶自动识别系统(Automatic Identification System, AIS)数据的船舶典型轨迹挖掘需要经过两个重要步骤，一是压缩 AIS 数据，二是聚类压缩后的 AIS 数据。传统的DP(DouglasPeucker)压缩算法，只考虑船舶轨迹的压缩形状，忽视了船舶航行中其他重要信息。为解决此问题，把对地航速和航向加入到DP算法的压缩过程中。在AIS轨迹聚类方面，传统谱聚类方法只对船舶轨迹的位置进行相似性度量，没有考虑船舶轨迹的其他维度，针对此问题，提出多属性轨迹相似性度量方法。由于不同的输入参数影响着最终的聚类质量，引入Calinski-Harabasz指标评价谱聚类算法，实现聚类参数的自适应选择。利用山东威海水域的实际AIS数据进行实例研究，并与传统谱聚类算法做比较实验。实验结果表明，利用该方法提取到的典型轨迹符合真实水域的交通情况，相较于传统谱聚类方法具有更高的聚类质量。     

基于轨迹谱聚类的终端区盛行交通流识别方法

为了改善终端空域扇区和进离场航线对实际空中交通的流量及空间分布的适用性,研究了从大量航空器飞行轨迹中识别主要交通流的方法.在分析飞行轨迹空间特征的基础上,建立了基于3D网格的轨迹间相似性模型.利用谱聚类算法对终端区飞行轨迹样本进行聚类划分,提出了一种基于轨迹聚类核密度估计的盛行交通流和异常轨迹的识别方法,用于从空管雷达记录的飞行轨迹中识别出盛行交通流的实验.实验研究结果表明:该方法将1 476条轨迹划分为5个聚类,识别出5个盛行交通流,且识别结果未受到异常轨迹的影响.      

考虑轨迹相似度的综合客运枢纽出租车合乘方法研究

针对综合客运枢纽出租车停靠点乘客滞留问题，提出一种考虑轨迹相似度的枢纽出租车合乘模型. 以车辆数最小与总里程最短为目标，基于包围面积的轨迹相似度指标在形态上约束合乘后车辆的行驶轨迹. 设计两阶段算法求解此NP-hard 问题，第1 阶段利用kmedoids 方法对乘客需求聚类，第2 阶段设计蚁群算法求解得到乘客匹配方案及合乘行驶路径. 实测数据实验证明：该方法能较好优化车辆数和总里程，减少乘客等待时间；轨迹相似性度量约束能有效提高合乘后路径的JAC值，满足乘客希望合乘路径与原始路径差异最小化的心理.     

Renyi信息熵指导下的聚合层次化聚类

聚合层次化聚类是聚类分析中发现数据集潜在结构的一类重要方法．在这类方法中,影响聚类质量的一个关键问题是如何度量子类之间的距离．作为子类间的相似性度量,不但可以通过非参数估计的方式进行计算,还可有效地利用子类数据集中所有样本提供的信息,对子类中数据分布的描述更加充分．实验结果显示,在两种具有代表性的人造数据集上,基于Renyi熵的类间距离度量比3种传统度量方法有更好的层次化聚类效果．并且,在图像过分割的情况下,通过Renyi熵距离对子分割区域进行合并可以找到合理的分割目标．     

交通状态划分的参数权重聚类方法研究

由于交通流量、速度、占有率或密度等参数在交通状态划分中作用不同,本文提出了基于参数权重聚类的交通状态划分方法.根据交通参数数据的相似性,应用基于加权欧氏距离的相似性度量方法构建了交通参数评价函数,并用梯度下降法极小化评价函数对交通参数权重进行求解.将交通参数权重应用于模糊C均值聚类算法（FCM）,得到基于参数权重的FCM道路交通状态划分方法.应用提出的模型对选取的实际交通参数数据进行交通状态划分,并与基于欧式距离的FCM状态划分结果对比.研究结果表明,本文提出的方法提高了交通状态划分精度,更接近交通实际运行状况.     

面向实时交通信息提取的车辆轨迹数据挖掘

车辆行驶轨迹是驾驶人员主观意愿和道路客观约束条件综合作用的结果,从海量车辆轨迹中可以挖掘出道路的实时交通信息为智能交通服务．通过建立轨迹约束模型用以量化各约束因子,基于线性参照系统的数据预处理以加快检索速度和降低轨迹的不确定性,基于移动目标主体相似性和移动轨迹时空相似性的数据选取降低了数据库搜索次数提高发掘准确度,分别针对道路交叉口和一般路段进行数据挖掘,提取实时的道路交通信息．研究结果和实验结果表明,这个挖掘算法可以有效地提取道路实时路况信息．     

���ھ�������ij��н�ͨ·�λ����о�

根据交通流特性的相似性进行交通路段划分对城市交通管理和控制具有重要作用。交通流数据具有时间序列特征,相似性度量问题是时间序列聚类中的最基本的问题之一。本文为交通流数据聚类给出了一种基于灰色关联的相似性度量方法,通过比较试验确定了它具有较高的聚类精度。在每个时段时间序列间的相似性差异、在某一个时段的异常数据等会影响到在整个时间区间的交通流数据聚类,为此本文提出了一种基于时段划分的交通流数据聚类方法。这个方法首先对每个时段数据进行聚类,然后采用最大频繁项集方法得到最终聚类结果（即交通路段划分）,实例证明了方法的有效性。     

面向多目标跟踪的密集行人群轨迹提取和运动语义感知

针对基于视频监控的密集行人群识别难度大，运动轨迹提取困难，运动语义信息挖掘不足 等问题，本文提出基于多目标跟踪FairMOT框架及K-means聚类的行人轨迹捕获和运动语义信 息感知方法。首先，利用多目标跟踪算法提取视频中行人群目标过街时的运动轨迹特征向量；然 后，通过分析轨迹坐标的数值分布特点，设计了一种协方差滤波算法STCCF，以检测和剔除“准静 态轨迹”，得到行人群目标运动轨迹簇；最后，针对已提取的轨迹簇，应用K-means聚类方法，选取 S系数(Silhouette Coefficient)和DB指数(Davies Bouldin Index)两个指标，感知行人聚集和消散点 等场景语义特征。实验分析表明，算法从提取到的2689条轨迹中辨识出179条“准静态轨迹”，检 出率为81.73%；视频场景中的行人目标源点和消失点的解析结果与人工辨识结果吻合，验证了密 集行人群轨迹提取和运动语义信息感知方法的有效性。本文研究可为数据驱动的行为预测和轨 迹建模提供基础。     

基于灰关联测度的分裂式层次聚类算法

为估计数据集的聚类数目及获得较好的聚类性能,提出了一种基于灰关联测度的分裂式层次聚类算法.该算法用灰关联测度衡量数据对象之间的相似程度,以基于密度扩展的方式自顶向下分裂成不同层次的数据集划分;然后,根据灰关联测度定义聚类有效性指标;最后将有效性指标曲线极值点对应的聚类划分用于估计最佳聚类数目.实际数据和合成数据集的实验表明,与FCM聚类相比,该算法的聚类正确率平均提高3.7%,并且能够识别任意形状的簇.     

考虑交通运行条件影响的驾驶员特征聚类

为提升驾驶员特征聚类方法的适用性与可靠性，本文基于机动车运行轨迹分析提出考虑交通运行条件影响的驾驶员特征聚类改进方法。首先，经过对车辆运行轨迹数据的分析发现，不同道路类型和平均速度条件会显著影响驾驶行为的集计特征；其次，提出改进的驾驶员特征聚类方法，第1步设计考虑道路类型与平均速度因素的车辆轨迹的切片和分类方法，从而稳定提取典型交通条件下的驾驶行为特征参数，第2步选用高斯混合模型聚类驾驶员特征。聚类案例表明， 在相同的道路类型和平均速度条件下，驾驶员类型越激进，其速度变异系数、加速度标准差和平均减速度等参数均值越高。不同聚类方法的对比表明，改进方法在驾驶员聚类的类内聚集度和类间分离度方面均表现更好，能有效提升驾驶员聚类的适用性与可靠性。     

基于时空聚类算法的轨迹停驻点识别研究

利用手机等智能移动终端获取个体出行GPS轨迹数据,提出了一种新的时空聚类算法AT-DBSCAN识别轨迹中的停驻点.该方法以固定长度的滑窗搜索核心点,以时空邻近条件定义簇间距离,以簇密度大小规定合并次序.提出了出行次数一致性、出行起止时刻误差、停驻点时长误差、停驻点中心偏移距离4个算法验证指标,弥补了传统查全率、查准率等忽略停驻点时空信息准确性的不足.结果表明,识别的停驻点有98%的位置误差在30m以内,100%的时长误差在5min以内,98%的出行起止时刻误差在5min以内.此外,算法对于室内活动、定位飘移、路径重合程度高等复杂轨迹具有较好的泛化能力.