本发明专利技术公开了一种基于Flink的轨迹流聚类方法，本方法将全局空间的轨迹流聚类问题转化为独立的子空间实时聚类问题，在不同子空间并行地维护动态聚类，再将他们进行高效地合并。本发明专利技术还提供了一种轨迹流聚类装置和一种电子设备。本发明专利技术提供的方法既能在流式的轨迹点压缩在保有时空信息量不变的同时，减少了不必要的计算，从而提高整个系统的吞吐量，降低延迟，同时，子轨迹的空间分区聚类充分利用计算机的并行能力，同时在Flink流引擎的基础上实现了线性的性能可扩展。现了线性的性能可扩展。现了线性的性能可扩展。
【技术实现步骤摘要】
一种基于Flink的轨迹流聚类方法，装置及电子设备
[0001]本专利技术属于时空大数据挖掘
，尤其涉及以一种基于Flink的轨迹流聚类方法，装置及电子设备。
技术介绍
[0002]时空大数据挖掘是一个近年来不断发展和壮大的领域，它涉及到数据采集、处理、分析和应用等方面。近年来出现了许多新技术和工具来处理大数据，例如分布式计算、深度学习和可视化等。时空大数据的分析需要采用适当的算法和方法来挖掘数据中隐藏的规律和趋势。时空大数据挖掘在许多领域都有广泛的应用，如交通规划、城市管理、环境保护、气象预测、金融风险管理等。随着技术的进步和应用场景的扩展，时空大数据挖掘将会越来越重要。
[0003]交通流分析：实时时空轨迹流聚类可以用于分析城市道路上的交通流动情况。通过对车辆和行人轨迹进行聚类分析，可以发现拥堵路段、繁忙时间段以及行人密集区域。
[0004]城市规划：城市规划师可以通过实时时空轨迹流聚类分析，发现城市居民的活动规律和区域特点，从而制定更合理的城市发展规划。例如，分析各个区域的人流量、交通流量和设施使用情况，有针对性地改善基础设施，提高城市的可持续性和宜居性。
[0005]灾害预警：实时时空轨迹流聚类可以用于灾害应急管理和预警。通过对不同区域和时间的地理信息和气象数据进行聚类分析，可以预测和识别可能发生自然灾害的区域。同时，通过对受灾区域内人员和物资的动态轨迹进行实时分析，有助于优化救援资源的调配和提高救援效率。
[0006]社交网络分析：在社交网络领域，实时时空轨迹流聚类可以用于分析用户的活动规律、兴趣爱好和社交关系。例如，通过对用户签到数据、地理位置信息和社交互动记录进行聚类分析，可以发现用户的活动区域和兴趣点，从而为用户提供更精准的推荐服务和广告投放。
[0007]专利文献CN115033732A公开了一种时空轨迹关联方法、装置、电子设备及存储介质，该方法包括：确定第一轨迹和第二轨迹，所述第一轨迹根据获取的图像数据确定，所述第二轨迹根据获取的识别码数据确定；根据所述第一轨迹和所述第二轨迹确定出多个候选时空轨迹点对，候选时空轨迹点对包括在时间和空间上存在交集的轨迹点；基于所述多个候选时空轨迹点对确定出强伴随时空轨迹点对。
[0008]专利文献CN115330360A一种基于多智能体仿真技术的行人轨迹推算方法，该方法包括：收集人员的滞留信息和建筑信息；生成人员的时空轨迹点序列；生成可行的运动轨迹；验证人员运动轨迹并输出完整人员轨迹。以实现在枢纽设施内部推算行人轨迹。
技术实现思路
[0009]本专利技术的目的是提供一种基于Flink的轨迹流聚类方法，装置及电子设备，该方法可以快速实现轨迹流聚类及其可视化。
[0010]为了实现本专利技术的第一目的，提供了一种轨迹流聚类方法，包括：
[0011]步骤1、基于监测区域内各运动对象的GPS信息生成多个时空轨迹点，所述时空轨迹点包括运动对象的标识，时空轨迹点生成时间以及时空轨迹点的二维坐标；
[0012]步骤2、基于标识对所有时空轨迹点进行分类，以生成运动对象对应的轨迹点分区；
[0013]步骤3、对每个运动对象的轨迹点分区进行数据处理，以生成用于描述运动对象当前最新状态的子轨迹；
[0014]步骤4、将当前监测区域以二维聚类空间形式划分成多个矩形空间网格，对每个矩形空间网格中所存在的子轨迹进行增量式轨迹聚类处理，以维护矩形空间网格中存活的所有子轨迹和所有子轨迹聚类得到的簇信息；
[0015]步骤5、基于事件时间戳结束时间，对每个矩形空间网格内所有簇信息进行合并，以获得所述事件时间戳下整个检测区域的聚类结果。
[0016]步骤6、根据所述聚类结果进行统计与可视化，以展示监测区域内所有运动对象的动态变化信息。
[0017]本专利技术采用开源的通用流式计算引擎Flink，以检测区域的轨迹流聚类结果进行可视化，实时展示该区域监测对象的运动动态，可用作智慧城市交通流量监测、热点区域可视化等实时应用。在交通流量检测中，可以将不同簇的运动对象视为不同的群组，同一个群组下的运动对象具有相同或相似的运动趋势、运动属性。对于每个群组，可以计算运动对象的数目并生成一个热力图，显示群组在路段上的分布情况。交通管理人员可以使用该热力图快速了解当前的交通状况，发现拥堵区域并采取措施减缓交通拥堵。
[0018]具体的，所述运动对象包括区域内的车辆，人员，建筑以及气象数据。
[0019]具体的，在步骤3中，采用轨迹流分段和压缩算法对轨迹点分区进行数据处理。
[0020]具体的，步骤3的具体过程如下：
[0021]步骤3
‑
1、在轨迹点分区内维护一个用于缓存运动对象有效轨迹点的缓存分区，所述缓存分区中的轨迹点按时间戳顺序排列。
[0022]步骤3
‑
2、对于新流入的轨迹点，将轨迹点加入缓存分区末端，并判断其是否打乱时间戳顺序。
[0023]对没打乱顺序的轨迹点加入缓存分区末端，并根据误差阈值算法移除缓存分区中其他超过阈值的轨迹点。
[0024]对于打乱顺序的轨迹点，重新排列缓存分区，并重新执行步骤2至步骤3，直至缓存分区满足要求。
[0025]步骤3
‑
3、将构建好的缓存分区进行复制，以生成用于描述运动对象当前最新状态的子轨迹。
[0026]具体的，在步骤4中，采用GridID编码方法对监测区域以二维聚类空间形式进行划分。
[0027]具体的，所述增量式轨迹聚类处理采用DBSCAN聚类算法。
[0028]具体的，所述增量式轨迹聚类处理的过程如下：
[0029]步骤4
‑
1、针对每个轨迹点分区，维护一个运动对象到子轨迹的索引，所述索引存储所有当前矩形空间网格内存活的子轨迹。
[0030]步骤4
‑
2、基于步骤4
‑
1所示的索引，对每个矩形空间网格检索是否存在运动对象和对应的子轨迹。
[0031]若存在运动对象和对应的子轨迹，则从聚类的轨迹簇中增量式地剔除运动对象下索引的子轨迹。
[0032]若不存在运动对象和对应的子轨迹，则按照事件时间戳将所述的运动对象和对应的子轨迹加入至轨迹簇中。
[0033]具体的，在步骤5中，具体的过程如下：
[0034]步骤5
‑
1、将事件时间戳和矩形空间网格以及矩形网格内的簇信息，组成三元组。
[0035]步骤5
‑
2、基于事件时间戳对三元组进行分区，以获得同一事件时间戳内所有矩形空间网格的簇信息。
[0036]步骤5
‑
3、将步骤5
‑
2中分区获得的簇信息进行合并，以获得对应事件时间戳下整个检测区域的聚类结果。
[0037]为了实现本专利技术的第二个目的，提供了一种轨迹流聚类装置，基于上述的基于Flink的轨迹流聚类方法实现，包括：
[0038]采集模块本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于Flink的轨迹流聚类方法，其特征在于，包括：步骤1、基于监测区域内各运动对象的GPS信息生成多个时空轨迹点，所述时空轨迹点包括运动对象的标识，时空轨迹点生成时间以及时空轨迹点的二维坐标；步骤2、基于标识对所有时空轨迹点进行分类，以生成运动对象对应的轨迹点分区；步骤3、对每个运动对象的轨迹点分区进行数据处理，以生成用于描述运动对象当前最新状态的子轨迹；步骤4、将当前监测区域以二维聚类空间形式划分成多个矩形空间网格，对每个矩形空间网格中所存在的子轨迹进行增量式轨迹聚类处理，以维护矩形空间网格中存活的所有子轨迹和所有子轨迹聚类得到的簇信息；步骤5、基于事件时间戳结束时间，对每个矩形空间网格内所有簇信息进行合并，以获得所述事件时间戳下整个检测区域的聚类结果；步骤6、根据所述聚类结果进行统计与可视化，以展示监测区域内所有运动对象的动态变化信息。2.根据权利要求1所述的基于Flink的轨迹流聚类方法，其特征在于，所述运动对象包括区域内的车辆，人员，建筑以及气象数据。3.根据权利要求1所述的基于Flink的轨迹流聚类方法，其特征在于，在步骤3中，采用轨迹流分段和压缩算法对轨迹点分区进行数据处理。4.根据权利要求1所述的基于Flink的轨迹流聚类方法，其特征在于，步骤3的具体过程如下：步骤3
‑
1、在轨迹点分区内维护一个用于缓存运动对象有效轨迹点的缓存分区，所述缓存分区中的轨迹点按时间戳顺序排列；步骤3
‑
2、对于新流入的轨迹点，将轨迹点加入缓存分区末端，并判断其是否打乱时间戳顺序：对没打乱顺序的轨迹点加入缓存分区末端，并根据误差阈值算法移除缓存分区中其他超过阈值的轨迹点；对于打乱顺序的轨迹点，重新排列缓存分区，并重新执行步骤2至步骤3，直至缓存分区满足要求；步骤3
‑
3、将构建好的缓存分区进行复制，以生成用于描述运动对象当前最新状态的子轨迹。5.根据权利要求1所述的基于Flink的轨迹流聚类方法，其特征在于，在步骤4中，采用GridID编码方法对监测区域以二维聚类空间形式进行划分。6.根据权利要求1所述的基于Flink的轨迹流聚类方法，其特征在于，...
【专利技术属性】
技术研发人员：徐嘉晨，高云君，房子荃，龚盛豪，陈璐，
申请(专利权)人：浙江大学，
类型：发明
国别省市：
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。