基于有趣地點(diǎn)壓縮的移動(dòng)點(diǎn)對(duì)象時(shí)空軌跡聚類研究.pdf

1、近年來(lái)，移動(dòng)對(duì)象跟蹤技術(shù)迅猛發(fā)展，同時(shí)獲取和存儲(chǔ)與此相關(guān)的時(shí)空數(shù)據(jù)的能力也大大增強(qiáng)，導(dǎo)致了眾多專業(yè)領(lǐng)域在極其短暫的時(shí)間內(nèi)，就積聚下海量的移動(dòng)對(duì)象時(shí)空軌跡數(shù)據(jù)。這些海量數(shù)據(jù)已遠(yuǎn)遠(yuǎn)超出了人類可直觀理解的范圍，并且由于這類數(shù)據(jù)同時(shí)具有時(shí)序?qū)傩院涂臻g特征，現(xiàn)有的很多方法和技術(shù)不能直接加以利用，迫切需要研究和探索新的理論和新的方法。
　　在此背景下，本文提出了基于有趣地點(diǎn)壓縮的移動(dòng)點(diǎn)對(duì)象時(shí)空軌跡聚類研究。從時(shí)空軌跡表示、相似性度量和聚類方法

2、等相關(guān)問(wèn)題出發(fā)，對(duì)國(guó)內(nèi)外相關(guān)的研究進(jìn)行了梳理與分析。在形成文獻(xiàn)綜述的基礎(chǔ)上，開(kāi)展了如下研究工作:
　　第一，在時(shí)空軌跡表示方面，對(duì)移動(dòng)對(duì)象的行走速度進(jìn)行排序，選取合適的參數(shù)值，改進(jìn)傳統(tǒng)聚類方法DBSCAN(a Density-Based Algorithm for DiscoveringClusters in Large Spatial Databases with Noise)，用以提取每條軌跡上具有應(yīng)用領(lǐng)域語(yǔ)義的有趣地點(diǎn)，然后

3、利用有趣地點(diǎn)序列來(lái)表示原始軌跡，在最大程度保留核心信息不流失的前提下，極大壓縮了軌跡數(shù)據(jù)量。
　　第二，在時(shí)空軌跡相似性度量方面，分別從空間相似、時(shí)間相似和時(shí)空相似三個(gè)角度進(jìn)行分析與設(shè)計(jì)。在度量由有趣地點(diǎn)序列表示的軌跡距離時(shí)，兩個(gè)對(duì)應(yīng)有趣地點(diǎn)間的距離采用路網(wǎng)空間中的最短路徑;空間相似性度量分兩個(gè)層次:有趣地點(diǎn)集合相似和有趣地點(diǎn)序列相似。在時(shí)間相似性度量的設(shè)計(jì)中，提出了面向?qū)哟晤愋妥兞康南喈惗榷攘糠椒?。相同的層次類型變量，由于不同?/p>

4、分層標(biāo)準(zhǔn)在層次結(jié)構(gòu)樹(shù)中的位置會(huì)發(fā)生變化，針對(duì)這種情況，提出了在各種分層標(biāo)準(zhǔn)下層次型變量相異度計(jì)算方法，把它們之間的和距離作為最終相異度計(jì)算依據(jù);最后還設(shè)計(jì)了一個(gè)時(shí)空屬性和空間特征相結(jié)合的移動(dòng)對(duì)象時(shí)空軌跡度量公式。
　　第三，在時(shí)空軌跡聚類階段，圍繞著如何有效識(shí)別不同行走速度的移動(dòng)對(duì)象群體，提出了基于可逆跳躍馬爾可夫鏈蒙特卡羅(RJMCMC，Reversible JumpMarkov Chain Monte Carlo)的AP（Af

5、finity Propagation Clustering）聚類算法。AP聚類算法不需要事先定義聚類中心，它是根據(jù)兩個(gè)數(shù)據(jù)點(diǎn)之間的相似度為聚類基礎(chǔ)，在算法開(kāi)始時(shí)將所有的數(shù)據(jù)點(diǎn)都視為潛在的聚類中心。通過(guò)迭代循環(huán)不斷進(jìn)行證據(jù)的搜集和傳遞（亦稱為消息傳遞），以產(chǎn)生高質(zhì)量的類代表和對(duì)應(yīng)的聚類，使得聚類的能量函數(shù)最小化，然后將各數(shù)據(jù)點(diǎn)分配給最近的類代表所屬的類，即得出了聚類結(jié)果。在密度同質(zhì)的數(shù)據(jù)集中，AP聚類方法可以快速準(zhǔn)確地得到聚類結(jié)果，但不能

6、處理一個(gè)數(shù)據(jù)集中存在的不同密度類型的情況（比如行人、自行車和汽車同時(shí)存在的情況）。針對(duì)此問(wèn)題，本文提出先利用可逆跳躍馬爾可夫鏈蒙特卡羅(RJMCMC)的方法把移動(dòng)對(duì)象根據(jù)不同的行走速度進(jìn)行分類，然后在各個(gè)密度類型的數(shù)據(jù)子集中再運(yùn)行AP聚類算法。這種設(shè)計(jì)解決了現(xiàn)實(shí)中出現(xiàn)的不同密度嵌套的數(shù)據(jù)集聚類問(wèn)題。
　　第四，應(yīng)用本文所提出的時(shí)空軌跡聚類體系，對(duì)時(shí)空移動(dòng)數(shù)據(jù)生成器Generator生成的模擬數(shù)據(jù)進(jìn)行了實(shí)例分析，并將本文獲取的聚類結(jié)