基于密度峰值聚类的经典轨迹生成

发布时间：2021-04-21 09:24

　　不断普及的位置传感器、飞速发展的移动互联网以及日益完善的基于4G的通信设施,使得各行各业正在以越来越快的速度产生移动对象轨迹数据。大规模轨迹数据除了对数据存储与管理能力提出了更高的要求,更重要一个挑战是应用轨迹数据挖掘分析方法,快速从中提取出有效的信息和规律。作为移动对象时空轨迹数据挖掘中最常用的一种无监督分类方法,聚类分析可以用来进行轨迹信息的分析与处理。轨迹聚类分析指的是根据轨迹之间定义的某种相似度度量准则计算轨迹之间的相似程度,从而将具有相似的结构的轨迹划分到同一个簇中。经典轨迹（Classic Trajectory）是从轨迹聚类簇中提取的一条有代表性的轨迹,它描述了一个聚类簇中的轨迹的总体运动模式,某种程度上能够被认为是轨迹聚类簇的一个模型。经典轨迹生成是指从轨迹聚类簇中选择一条已有轨迹或者生成一条新的合成轨迹作为代表聚类簇的经典轨迹。从轨迹聚类簇中生成经典轨迹并进行相关分析,能够提取出轨迹聚类相关的大量有用信息,作为对轨迹进行预测等进一步分析的基础。综上,本文希望基于轨迹密度峰值聚类算法,设计一个同时适用于受限空间和非受限空间中的轨迹数据的经典轨迹生成框架。该框架主要包括以下... 

【文章来源】：武汉大学湖北省 211工程院校 985工程院校 教育部直属院校

【文章页数】：62 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第一章 绪论
    1.1 研究背景与意义
    1.2 国内外研究现状
        1.2.1 经典轨迹生成框架
        1.2.2 轨迹相似度距离
        1.2.3 轨迹聚类方法
        1.2.4 经典轨迹生成
    1.3 论文内容及组织结构
第二章 经典轨迹生成框架及相关理论
    2.1 经典轨迹生成框架
        2.1.1 移动对象轨迹数据集
        2.1.2 轨迹预处理
        2.1.3 基于密度峰值聚类的经典轨迹生成框架
    2.2 轨迹相似度距离度量
        2.2.1 全点匹配方法
        2.2.2 部分点匹配方法
        2.2.3 单点匹配方法
        2.2.4 轨迹段匹配方法
    2.3 轨迹聚类
        2.3.1 基于划分的轨迹聚类算法
        2.3.2 基于层次的轨迹聚类算法
        2.3.3 基于密度的轨迹聚类算法
        2.3.4 基于网格的轨迹聚类算法
        2.3.5 基于模型的轨迹聚类算法
    2.4 本章小结
第三章 轨迹相似度计算
    3.1 SSPD轨迹相似度距离
    3.2 SSPD距离的改进
    3.3 实验
    3.4 本章小结
第四章 移动对象轨迹密度峰值聚类
    4.1 密度峰值聚类算法
    4.2 密度峰值聚类优化
    4.3 实验
    4.4 本章小结
第五章 经典轨迹提取
    5.1 聚类簇经典轨迹生成方法
    5.2 聚类效果评价
    5.3 实验与测试
        5.3.1 数据准备与实验环境
        5.3.2 实验评估
    5.4 本章小结
第六章 结论与展望
    6.1 研究总结
    6.2 创新点
    6.3 展望
参考文献
致谢


【参考文献】：
期刊论文
[1]时空轨迹相似性度量方法综述[J]. 周星星,吉根林,张书亮.  地理信息世界. 2018(04)
[2]基于出租车轨迹数据的城市热点出行区域挖掘[J]. 郑林江,赵欣,蒋朝辉,邓建国,夏冬,刘卫宁.  计算机应用与软件. 2018(01)
[3]一种基于簇中心点自动选择策略的密度峰值聚类算法[J]. 马春来,单洪,马涛.  计算机科学. 2016(07)
[4]K近邻优化的密度峰值快速搜索聚类算法[J]. 谢娟英,高红超,谢维信.  中国科学:信息科学. 2016(02)
[5]智慧城市中的大数据[J]. 李德仁,姚远,邵振峰.  武汉大学学报(信息科学版). 2014(06)

硕士论文
[1]移动对象轨迹聚类算法研究[D]. 迟相松.南京航空航天大学 2016
[2]移动对象轨道聚类算法的研究[D]. 王明涛.南京航空航天大学 2010



本文编号：3151500