移动对象子轨迹段分割与聚类算法

将运动轨迹作为整体聚类会丢失相似子轨迹段,而相似子轨迹段在实际应用中用处很大,如天气预报、交通控制等。提出一种新方法T-CLUS进行轨迹聚类,先将长轨迹分割成许多较短的直子段,再产生子段的增广聚类顺序,最后根据可达性图识别子轨迹聚类结构,得到子轨迹运动模式。实验结果表明T-CLUS方法在从轨迹数据库中发现相似子轨迹上是可伸缩的和正确的。     

基于改进Hausdorff距离的轨迹聚类算法

以整条轨迹为目标的聚类方法存在轨迹较长的问题。为此,提出一种以轨迹子段为聚类目标的聚类算法CTIHD。给出一种新的轨迹子段距离度量方法,用以消除轨迹子段之间的公共偏差。利用特征点概念将轨迹划分成轨迹子段集,计算轨迹子段之间的相似度,由此实现聚类。实验结果表明,该算法相比同类算法具有更好的轨迹聚类效果。     

基于小波聚类的终端区进场轨迹模式识别

为改善终端区航空器轨迹聚类方法中存在的自动化程度低、无法精确识别异常轨迹的不足,提出基于小波聚类的进场轨迹模式识别方法。首先,建立基于3D空间网格的轨迹相似性矩阵,推导得到轨迹间相似特征子空间,进一步构建轨迹相似特征2D图模型。通过特征图模型的数字化、小波变换与聚类,实现对盛行交通流模式以及异常交通流轨迹的识别。实例分析在无人工指导情况下,从352条进场轨迹中识别出4个类的331条盛行交通流轨迹,以及21条异常轨迹。实验结果证明,该算法克服了目前航空器轨迹聚类领域需要人工确定类数以及难以识别异常轨迹的不足。     

基于电信轨迹数据的分段轨迹聚类

利用现有的轨迹数据进行城市规划已逐渐成为一个值得研究的课题.针对电信公司提供的数据,提出了将轨迹分段聚类的算法.该算法首先将轨迹划分为一系列轨迹段,然后将相似的轨迹段聚到一个类中.在分段这部分使用最小描述长度(MDL)原则,在聚类阶段采用高斯混合模型(GMM).证明了该算法利用上海电信数据可以很好地聚类,直观地展示出行人的活动方式对城市规划起到重要意义.     

面向实体识别的聚类算法

实体识别是数据质量的一个重要方面,对于大数据处理不可或缺.已有的实体识别研究工作聚焦于数据对象相似度算法、分块技术和监督的实体识别技术,而非监督的实体识别中匹配决定的问题很少被涉及.提出一种面向实体识别的聚类算法来弥补这个缺失.利用数据对象及其相似度构建带权重的数据对象相似图.聚类过程中,利用相似图上重启式随机游走来动态地计算类簇与结点的相似度.聚类的基本逻辑是,类簇迭代地吸收离它最近的结点.提出数据对象排序方法来优化聚类的顺序,提高聚类精确性;提出了优化的随机游走平稳概率分布计算方法,降低聚类算法开销.通过在真实数据集和生成数据集上的对比实验,验证了该算法的有效性.     

基于群组与密度的轨迹聚类算法

现有基于密度的聚类方法主要用于点数据的聚类,不适用于大规模轨迹数据。针对该问题,提出一种利用群组和密度的轨迹聚类算法。根据最小描述长度原则对轨迹进行分段预处理找出具有相似特征的子轨迹段,通过两次遍历轨迹数据集获取基于子轨迹段的群组集合,并采用群组搜索代替距离计算减少聚类过程中邻域对象集合搜索的计算量,最终结合群组和密度完成对轨迹数据集的聚类。在大西洋飓风轨迹数据集上的实验结果表明,与基于密度的TRACLUS轨迹聚类算法相比,该算法运行时间更短,聚类结果更准确,在小数据集和大数据集上的运行时间分别减少73.79%和84.19%,且运行时间的减幅随轨迹数据集规模的扩大而增加。     

基于轨迹聚类的航空器轨迹模式挖掘研究

轨迹模式是航空器在某段时间或某个区域内相对稳定的飞行模式,对理解和判断目标在一段时间或一定区域内的行为有着重要的意义。针对目标轨迹的特点,在基于点密度的聚类算法的基础上,设计并实现了一种基于线段密度的轨迹聚类方法。该方法使用最小描述长度原则将目标的历史轨迹分割为若干轨迹段,通过计算轨迹段之间的相似度对飞行轨迹进行聚类,最后运用扫描线算法生成目标的轨迹模式。实验证明,该方法可以较为准确地从大量轨迹数据中发掘出航空器目标的轨迹模式。     

基于时空模式的轨迹数据聚类算法

针对轨迹聚类算法在相似性度量中多以空间特征为度量标准,缺少对时间特征的度量,提出了一种基于时空模式的轨迹数据聚类算法。该算法以划分再聚类框架为基础,首先利用曲线边缘检测方法提取轨迹特征点;然后根据轨迹特征点对轨迹进行子轨迹段划分;最后根据子轨迹段间时空相似性,采用基于密度的聚类算法进行聚类。实验结果表明,使用所提算法提取的轨迹特征点在保证特征点具有较好简约性的前提下较为准确地描述了轨迹结构,同时基于时空特征的相似性度量因同时兼顾了轨迹的空间与时间特征,得到了更好的聚类结果。     

一种改进的谱聚类彩色图像分割方法

提出一种改进的基于谱聚类的彩色图像分割方法,首先引入Levin's Affinity的权函数代替传统的高斯核函数建立相似矩阵来构造带权无向图,从而更精细地刻画出数据间的特征相似性;其次,采用线性映射将图嵌入到一个由部分特征向量生成的子空间中,使得数据映射到新的空间后也能较好的保留其在原空间中的结构;最后,在生成的子空间中用K均值聚类算法进行聚类从而为每个像素点分配类标签达到彩色图像分割的目的.与相关谱聚类算法进行图像分割的结果比较证实了改进算法的有效性和显著性.     

基于二次谱聚类和HMM-RF混合模型的车辆行为识别方法研究

从高速交通监控视频中提取的车辆轨迹数据可以用于分析和识别车辆行为。由于从高速监控视频中提取的车辆轨迹中只有少量的变道、超车等类型轨迹,采用经典的最长公共子串(LCSS)相似度和谱聚类等算法无法有效地区分轨迹数据中所有类型的轨迹;此外,在车辆行为识别方面,常用的隐马尔科夫(HMM)轨迹模型忽略了负样本的影响,且仅用最大似然值进行分类,存在较高的误识别率。为了解决这些问题,分析和研究了高速监控视频中车辆轨迹数据的特点,提出了一种基于二次谱聚类和HMM-RF混合模型的车辆行为识别方法。该方法利用轨迹曲率来识别具有曲线轨迹特征的超车轨迹,利用倾角相似度和谱聚类算法来识别非曲线轨迹中的变道轨迹,并将得到的所有聚类簇用LCSS和谱聚类算法进行再聚类,从而有效地区分超车、变道以及直行轨迹等。在进行车辆行为识别时,该方法通过将不同HMM模型的多维概率输出作为随机森林RF模型的输入来识别多类型轨迹以替代最大似然值分类,提高了行为识别的正确率。为了验证方法的有效性,在不同数据集下进行实验,结果表明轨迹聚类的平均准确率为96%,而行为识别的平均准确率是89.3%,算法具有较高的准确率和鲁棒性。     

基于轨迹段核密度的旅游车辆轨迹聚类算法

为了更好地研究旅游车辆的运营行为，需要通过分析车辆轨迹规律发现车辆运动的典型轨迹，轨迹聚类是其中重要的环节。对于使用传统的密度聚类方法处理大规模旅游车辆轨迹数据存在准确度差和效率低的问题，提出了一种基于轨迹段和核密度的轨迹聚类方法。采用核距离作为轨迹段相似度度量，利用类似DBSCAN算法对轨迹段进行聚类，得出旅游车辆运动典型轨迹。以北京市旅游车辆为例，采用基于轨迹段和核密度的算法对车辆轨迹进行聚类，能从一定程度上提高聚类的效果和准确率，为进一步研究旅游车辆的运营行为打下基础。     

计算机兵棋作战实体轨迹聚类算法

针对计算机兵棋系统的实际应用,提出计算机兵棋实体轨迹聚类算法——CTECW(clustering trajectoriesof entities in computer wargames).算法分为3部分:轨迹预处理、轨迹分段聚类以及可视化表现.轨迹预处理将实体原始轨迹转化成实体简化轨迹,再进一步处理成轨迹分段;在DBSCAN算法的基本框架下引入DENCLUE算法中密度函数的概念,并基于提出的相似性度量函数对轨迹分段进行聚类;可视化表现将轨迹分段聚类的结果以赋有军事涵义的形式展现给参与兵棋推演的受训指挥员,体现出算法的实际应用价值.理论分析与实验结果表明,CTECW算法能够得到与TRACLUS算法比较接近的聚类结果,但计算效率却比TRACLUS算法要高,并且聚类结果不依赖于用户参数的仔细选择.     

iBTC:一种基于独立森林的移动对象轨迹聚类算法

移动对象轨迹聚类在城市规划、公共空间设计、移动对象行为预测等领域具有重要的理论指导意义和实际应用价值。针对传统聚类算法(如k-means,DBSCAN)在移动对象轨迹方面聚类效果不佳的问题,提出一种新的轨迹聚类算法iBTC。该算法首先对轨迹进行分段,根据最小描述长度原理,将轨迹分段问题转换为求无向图的最短路径问题,使用Dijkstra算法求得轨迹的最佳分段;然后将轨迹聚类问题转换为一种特殊的异常检测问题,并基于独立森林的思想,使用细分-合并过程对轨迹数据进行聚类;最后在模拟数据集和监控视频记录的行人轨迹公开数据集上进行实验,结果表明该算法能够取得较好的聚类效果。     

基于轨迹信息熵分布的异常轨迹检测方法

针对异常轨迹检测多特征检测和检测单元造成的检测效率低等问题。提出一种基于轨迹信息熵分布的异常轨迹检测方法。该算法根据轨迹偏转角与速度将轨迹分割成若干轨迹段,计算轨迹段间加权多特征距离判断轨迹间相似度,进而完成轨迹聚类并计算出每类代表性轨迹,然后对待检测轨迹进行分割,利用代表性轨迹计算每个轨迹段的信息熵,通过比较轨迹信息熵大小及其分布特点实现异常轨迹检测。大西洋飓风数据仿真实验结果表明该方法提高了聚类效果,克服以整条轨迹检测效率低的缺点,提升了异常轨迹检测算法的有效性。     

Waypoint-Based Trajectory Planning of Fixed-Wing MAVs in 3D Space

The paper addresses the problem of trajectory generation of a fixed-wing miniature aerial vehicle (MAV), constrained by a bounded turn rate, which is required to fly along a path defined by a series of waypoints in three-dimensional space. The generated trajectory named as γ-trajectory, transits between two consecutive waypoint segments in a “smooth” manner. For this trajectory the shortest distance from the waypoint can also be set to a desired value based on the limited capacity of the sensor mounted on the MAV. Subsequently, a loop-trajectory is generated, which is important if the vehicle is required to track the entire waypoint segments as well as the waypoints. Since the trajectory is composed of circles of minimum turn radius and straight lines, this is computationally fast and real-time implementable. Finally, the implementation of generated trajectory is illustrated in an environment cluttered with obstacles and several aspects of the generated trajectory are compared with those of the trajectories obtained using techniques available in the literature.     

GHIC: a hierarchical pattern-based clustering algorithm for grouping Web transactions

Grouping customer transactions into segments may help understand customers better. The marketing literature has concentrated on identifying important segmentation variables (e.g., customer loyalty) and on using cluster analysis and mixture models for segmentation. The data mining literature has provided various clustering algorithms for segmentation without focusing specifically on clustering customer transactions. Building on the notion that observable customer transactions are generated by latent behavioral traits, in this paper, we investigate using a pattern-based clustering approach to grouping customer transactions. We define an objective function that we maximize in order to achieve a good clustering of customer transactions and present an algorithm, GHIC, that groups customer transactions such that itemsets generated from each cluster, while similar to each other, are different from ones generated from others. We present experimental results from user-centric Web usage data that demonstrates that GHIC generates a highly effective clustering of transactions.