The invention discloses a spatio temporal trajectory clustering method based on a road network, which comprises the steps of data acquisition, spatio temporal trajectory representation, spatio-temporal similarity measurement, sub trajectory clustering and output clustering results. Through the track recording equipment, data acquisition trajectories of moving objects, a spatio-temporal trajectory model that segment based on the trajectory of output trajectory files by linear interpolation and semantic extension, and select the feature points on the trajectory of documents, track reconstruction by feature point sub trajectory; trajectory calculation of the network distance as similarity analysis of the measurement basis, and to achieve the sub trajectory clustering using label propagation algorithm, the final output of the clustering results. Based on the clustering analysis of various spatio-temporal trajectory data, the similarity and abnormal features can be extracted from the spatial and temporal trajectory data, which is helpful to discover the meaningful trajectory patterns.
【技术实现步骤摘要】
本专利技术涉及数据挖掘
,具体是一种基于道路网络的时空轨迹聚类方法。
技术介绍
随着遥感、GPS、无线通讯、智能终端、物联网等技术的发展,人们可以获得大量的时空轨迹数据,通过分析恐怖分子的活动路径来更好的指导反恐活动;通过研究城市中汽车的移动轨迹,对城市道路规划做出改善,以缓解城市拥堵问题;通过对飓风的移动轨迹数据进行研究,找到其移动模式,以便在賜风来临之前做好防灾工作,动物的迁徙轨迹,智能交通管理,生物学领域中精子运动的轨迹和人的笔迹轨迹,化学领域中分子的运动轨迹,体育领域中球员的运动轨迹等等。越来越多的轨迹数据被应用于时间地理学、交通地理学、生态地理学、医学等相关研究,这些轨迹中蕴含着大量有价值的信息与知识。智能交通系统建立了巨大的数据库资源,在这些海量数据中隐含地存在着大量对路径规划有用的知识。例如在交通导航系统中,根据对轨迹的相似性查询技术可以得到历史相似运动轨迹,基于这些得到的知识就可以推荐一组比较合适的行车路线或估计所需要的时间给新手或迷路司机。除此之外,通过轨迹的相似性查询还可以发现频繁发生交通堵塞的区域中大部分车辆的运动模式,根据这些结果可以规划开发一些新的道路或者为出行的车辆提供路况信息等建议。聚类分析作为数据挖掘技术的一项任务,是一种数据预处理过程,是进一步分析和处理数据的基础。基于道路网络空间的移动对象轨迹聚类技术可为路径规划的合理性与最优性提供有力的保障,为用户提供相应的决策支持,轨迹聚类的研究在实际应用中具有重要意义。移动对象的轨迹聚类从其产生至今,就一直受到各界研究人员的关注。采用轨迹聚类方法,通过发现相似的运动轨迹、提 ...
【技术保护点】
一种基于道路网络的时空轨迹聚类方法,其特征在于,它包括以下步骤:S1:数据采集,利用轨迹记录设备采集移动对象的时空轨迹数据,或者以用户真实采集的GPS数据为基础,作为数据输入;S2:时空轨迹表达,基于局部插值模型,通过线性插值和语义扩充建立模型输出轨迹文件,并对轨迹文件选取特征点,通过特征点,基于速度和角度划分子轨迹进行轨迹重构;S3:时空相似性度量,计算子轨迹间的网络距离,作为时空相似性度量依据;S4:子轨迹聚类,运用标签传播算法,将已标记的数据作为标签传播的源,并保持一致的标签,准确实现子轨迹聚类;S5:输出聚类结果。
【技术特征摘要】
1.一种基于道路网络的时空轨迹聚类方法,其特征在于,它包括以下步骤:S1:数据采集,利用轨迹记录设备采集移动对象的时空轨迹数据,或者以用户真实采集的GPS数据为基础,作为数据输入;S2:时空轨迹表达,基于局部插值模型,通过线性插值和语义扩充建立模型输出轨迹文件,并对轨迹文件选取特征点,通过特征点,基于速度和角度划分子轨迹进行轨迹重构;S3:时空相似性度量,计算子轨迹间的网络距离,作为时空相似性度量依据;S4:子轨迹聚类,运用标签传播算法,将已标记的数据作为标签传播的源,并保持一致的标签,准确实现子轨迹聚类;S5:输出聚类结果。2.根据权利要求1所述的一种基于道路网络的时空轨迹聚类方法,其特征在于,所述的时空轨迹表达包括如下子步骤:S21:基于线段的轨迹表示建立时空轨迹模型,在步骤S1输入的时空轨迹数据中,提取停留点进行语义扩充,并将停留点轨迹转变为位置轨迹;S22:基于局部插值模型的时空轨迹数据表达,将时空轨迹网格离散化后,利用反距离权重法计算落在每个网格内轨迹段的各个属性的值,根据临近的采样点属性对轨迹段进行插值;S23:基于速度和角度轨迹段分离法寻找特征点,并加入速度约束来分割轨迹;S24:利用基于网路的子轨迹划分算法,输入完整轨迹和道路交汇点,输出重新划分子轨迹后的完整轨迹和划分特征点集合。3.根据权利要求2所述的一种基于道路网络的时空轨迹聚类方法,其特征在于,所述的寻找特征点包括如下子步骤:S231:在给定距离内,首先扫描计算每个点,判断出候选关键点和候选变速点;S232:清除多余候选关键点和多余候选变速点,判断出关键点和变速点,利用关键点确定轨迹段;S233:首先,开始点被加入到特征点集合;S234:进入循环,找出轨迹特性快速改变的点并加入到特征点集合中,分别用变量表示出相邻子段的方向和速度变化,并分别用变量表示出累计的方向和速度变化;S235:判断累计变量,若超过阈值,则前一个点被选为特征点。4.根据权利要求2所述的一种基于道路网络的时空轨迹聚类方法,其特征在于,所述的子轨迹划分算法包括如下子步骤:S241:首先输入完整轨迹和道路交汇点,将移动对象的第一个采样点加入到特征点集合中;S242:接下来循环判断每个子轨迹的时空起点和时空终点是否被道路交汇点隔开;S243:如果隔开则重新划分当前子轨迹并加入整轨迹,然后重置当前子轨迹,继续循环计算该子轨迹的特征点;S244:当子轨迹段的时空起点和时空终点在一条道路段中时,判断子轨迹段的方向、速度和地理空间变化,找出轨迹特性快速改变的点并加入到特征点集合中;S245:如果该点不能作为特征点,则将当前子轨迹合并,并将合并后的子轨迹重新加入特征点的计算中;S246:输出重新划分子轨迹后的完整轨迹和划分特征点集合。5.根据权利要求1所述的一种基于道路网...
【专利技术属性】
技术研发人员:牛新征,侯孟书,牛嘉郡,张洪,魏驰,
申请(专利权)人:电子科技大学,
类型:发明
国别省市:四川;51
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。