移動對象軌跡聚類算法研究.pdf

1、隨著計算機技術的不斷發(fā)展及移動對象跟蹤技術的不斷完善，大量的軌跡數(shù)據(jù)被采集，為了找出這些數(shù)據(jù)中隱藏的知識，移動對象軌跡聚類技術應運而生。作為數(shù)據(jù)挖掘的一個重要研究分支，聚類分析主要是依據(jù)同一聚類簇內(nèi)的對象相似性最大化而不同聚類簇內(nèi)的對象相似性最小化的原則來將對象劃分為若干緊密且獨立的聚類簇。本文以移動對象的子軌跡聚類算法為研究方向，主要針對TRACLUS算法存在的缺陷，從考慮算法的聚類因素和改善聚類算法對參數(shù)的敏感性等方面進行了研究和探

2、索，主要工作如下：
　　針對TRACLUS算法在聚類過程中對軌跡子段進行相似度度量時沒有考慮到軌跡運動方向等運動特征的問題，通過將移動對象運動的方向特征考慮到聚類因素中，提出了一種基于融合流失量的Hausdorff距離的子軌跡聚類算法HDBSCAN。通過將算法應用到真實的軌跡數(shù)據(jù)上發(fā)現(xiàn)，該算法在保證TRACLUS算法時間效率的同時，具有更好的聚類效果。
　　針對TRACLUS算法對參數(shù)和MinLns敏感的問題，提出了一種快速

3、搜索的高密度子軌跡聚類算法HFDST。該算法采用劃分與分組框架，同樣在原有的Hausdorff距離中融入了可以表征移動對象方向特征的動態(tài)流失量，以此來度量子軌跡的距離；并將《science》上發(fā)表的快速搜索聚類中心的方法應用到子軌跡聚類，聚類中心被定義為局部最大密度點，密度計算僅僅取決于子軌跡之間的距離，該方法不但可以檢測到非球面聚類簇，也可以自動找到正確的聚類簇的個數(shù)，從而克服了TRACLUS算法對參數(shù)的依賴性問題。通過將算法應用到真