基于有趣地點壓縮的移動點對象時空軌跡聚類研究.pdf

1、近年來，移動對象跟蹤技術迅猛發(fā)展，同時獲取和存儲與此相關的時空數(shù)據(jù)的能力也大大增強，導致了眾多專業(yè)領域在極其短暫的時間內，就積聚下海量的移動對象時空軌跡數(shù)據(jù)。這些海量數(shù)據(jù)已遠遠超出了人類可直觀理解的范圍，并且由于這類數(shù)據(jù)同時具有時序屬性和空間特征，現(xiàn)有的很多方法和技術不能直接加以利用，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壓縮的移動點對象時空軌跡聚類研究。從時空軌跡表示、相似性度量和聚類方法

2、等相關問題出發(fā)，對國內外相關的研究進行了梳理與分析。在形成文獻綜述的基礎上，開展了如下研究工作:
　　第一，在時空軌跡表示方面，對移動對象的行走速度進行排序，選取合適的參數(shù)值，改進傳統(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用領域語義的有趣地點，然后

3、利用有趣地點序列來表示原始軌跡，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，在時空軌跡相似性度量方面，分別從空間相似、時間相似和時空相似三個角度進行分析與設計。在度量由有趣地點序列表示的軌跡距離時，兩個對應有趣地點間的距離采用路網空間中的最短路徑;空間相似性度量分兩個層次:有趣地點集合相似和有趣地點序列相似。在時間相似性度量的設計中，提出了面向層次類型變量的相異度度量方法。相同的層次類型變量，由于不同的

4、分層標準在層次結構樹中的位置會發(fā)生變化，針對這種情況，提出了在各種分層標準下層次型變量相異度計算方法，把它們之間的和距離作為最終相異度計算依據(jù);最后還設計了一個時空屬性和空間特征相結合的移動對象時空軌跡度量公式。
　　第三，在時空軌跡聚類階段，圍繞著如何有效識別不同行走速度的移動對象群體，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)兩個數(shù)據(jù)點之間的相似度為聚類基礎，在算法開始時將所有的數(shù)據(jù)點都視為潛在的聚類中心。通過迭代循環(huán)不斷進行證據(jù)的搜集和傳遞（亦稱為消息傳遞），以產生高質量的類代表和對應的聚類，使得聚類的能量函數(shù)最小化，然后將各數(shù)據(jù)點分配給最近的類代表所屬的類，即得出了聚類結果。在密度同質的數(shù)據(jù)集中，AP聚類方法可以快速準確地得到聚類結果，但不能

6、處理一個數(shù)據(jù)集中存在的不同密度類型的情況（比如行人、自行車和汽車同時存在的情況）。針對此問題，本文提出先利用可逆跳躍馬爾可夫鏈蒙特卡羅(RJMCMC)的方法把移動對象根據(jù)不同的行走速度進行分類，然后在各個密度類型的數(shù)據(jù)子集中再運行AP聚類算法。這種設計解決了現(xiàn)實中出現(xiàn)的不同密度嵌套的數(shù)據(jù)集聚類問題。
　　第四，應用本文所提出的時空軌跡聚類體系，對時空移動數(shù)據(jù)生成器Generator生成的模擬數(shù)據(jù)進行了實例分析，并將本文獲取的聚類結