基于时空轨迹的热点区域提取

轨迹聚类算法可以广泛地应用在交通管理中,利用轨迹聚类算法找出车辆轨迹热点区域对交通部门规划管理交通出行有重要指导意义。目前的轨迹聚类算法多以空间相似性进行度量,不能体现不同时间段的轨迹热点区域划分情况。针对上述问题,该文结合时间因素,提出了一种时空轨迹的热点区域提取算法。首先,对传统的密度峰值聚类算法进行了改进,考虑了计算密度的线性和非线性部分,改进了密度的计算方法;同时,改进了簇类中心的选取方法,能够自动地选取簇类中心;在此基础上,提出了聚类融合算法,过滤了不合适的聚类和多余聚类;最后利用DB检验量来检测提取效果。实验结果表明,相比于传统的聚类算法,本文算法能更有效地提取时空轨迹的热点区域。     

基于能量高度的终端区异常轨迹识别研究

通过研究终端区航空器飞行轨迹分布规律,提出有效识别异常轨迹的检测模型对更好地保障终端区航空器运行的安全性、提高运行效率具有至关重要的作用。首先,根据航空器的实际飞行情况,给出航空器异常轨迹的定义、分类,并针对航空器以高能量或低能量着陆时的特点提出能量高度的概念,明确能量高度是将飞行轨迹位置高度信息转化为能量高度轨迹信息;其次,基于Hausdorff距离建立轨迹相似性矩阵,再应用谱聚类对能量高度轨迹进行聚类分析;最后,结合轨迹分布特征计算得到能量高度流轨迹数据的分布特征值并建立了异常轨迹检测模型。结果表明:能量高度的提出有效地改进了在异常检测领域使用飞行位置轨迹分析的局限性;同时实验证明当能量高度阈值由均值加减二倍标准差计算得出时在异常轨迹检测中识别效果更优。     

基于特征加权理论的数据聚类算法

针对数据挖掘过程中数据聚类操作的初始聚类数目和初始聚类中心确定困难的问题,提出了一种软子空间结合竞争合并机制的模糊加权聚类算法.通过对软子空间聚类算法的目标函数进行改写,并结合数据簇势的大小对各数据簇进行竞争与合并操作,实现了对数据的聚类处理.结果表明,该算法能够准确地对数据样本进行聚类,并且聚类结果与初始数据簇数目和初始聚类中心无关,能够满足对高维数据聚类处理的需要,具有较好的实际应用价值.     

基于区间数的不确定数据流2k近邻聚类算法

现有数据流聚类算法多数面向的是确定性数据,可是不确定数据的数据流聚类逐步被受到关注,因为经典的不确定数据聚类算法具有概率密度函数获取困难、实用性不强以及计算复杂等缺点,提出一种基于区间数的不确定数据流聚类算法UIDStream.算法用区间数来表示属性不确定性数据和基于区间数的距离计算方法,定义了不确定性数据之间的相似度,并利用传统k近邻聚类的思想,提出基于区间数的2k近邻微簇和最优2k近邻微簇的概念,通过最优2k近邻微簇的融合,实现不确定数据流的聚类.实验结果表明:改进后的算法具有良好的聚类效果,提高了不确定数据流聚类的聚类质量和速率.     

基于机器学习的无线信道簇的提取与轨迹追踪

针对时变无线信道抽头簇的提取和轨迹追踪提出了一种新方法：首先在时延-幅度维上采用反向传播（BP）神经网络对无线信道冲激响应（CIR）进行去噪,然后利用k-means聚类算法对有效抽头信号进行分簇,再用基于密度的空间聚类（DBSCAN）算法去除各个簇峰值抽头中的异常值,最后采用多项式拟合对去除异常值后的簇峰值抽头进行拟合,得到其时间变化轨迹.经过仿真和实测数据验证,该方法得到的簇峰值时间变化轨迹与根据几何关系得到的结果一致.     

面向轨迹数据发布的KSDP方案

轨迹隐私保护中使用k-means算法进行聚类时,对初始值敏感,且聚簇数目的选择具有一定的盲目性,为解决该问题并提高聚类结果的可用性,提出一种结合k-shape和差分隐私的轨迹隐私保护方案KSDP(k-shape differential privacy)．首先,对轨迹数据进行划分切割预处理,利用轨迹的时间属性和空间属性对轨迹切割划分,从而提高聚类泛化的质量．其次,使用设定的效用函数对预处理后的轨迹数据进行评判,并对过滤后数据进行聚类泛化操作．最后,在泛化后的数据中加入Laplace噪声,使其满足差分隐私保护模型,进一步保护轨迹隐私．实验仿真结果表明,与传统差分隐私k-means聚类方案对比,KSDP方案有效提高了聚类结果的可用性,并具有一定的性能优势,更好地实现了轨迹数据发布和隐私保护．     

基于复杂网络理论的关键飞行冲突点识别

随着航空事业的发展,终端区内空中交通密度大,交通态势相对复杂,给管制人员带来巨大的挑战。为充分理解空中飞行态势,给管制人员提供决策依据,提出了一种基于复杂网络理论和层次分析-熵权法的关键冲突飞机识别方法。首先以飞机为节点,机载防相撞系统(airborne collision avoidance system,ACAS)建立通信关系为连边构建飞行状态网络;在此基础上,选取节点度、点强、加权聚类系数和介数4个参数作为评估节点重要度指标,利用层次分析法确定各指标权重,并引入熵权法的思想,对结果进行修正,通过多属性决策的方法计算出节点重要度,确定关键冲突飞机。在人造网络和昆明长水机场终端区内的飞行状态网络上的仿真和实验结果:提出的方法能够确识别飞行状态网络中的关键冲突点,对选出的节点进行调配能够有效降低飞行状态网络的复杂性,可以为空中交通管制服务提供参考,降低管制人员的调配难度。     

非均匀数据的变异系数聚类算法

针对现有基于划分的聚类算法无法有效聚类簇大小和簇密度有较大差异的非均匀数据的问题,提出一种基于变异系数聚类算法。从聚类优化目标的角度出发,分析了以K-means为代表的划分聚类算法引发“均匀效应”的成因;提出以变异系数度量非均匀数据的分布散度,并基于变异系数定义一种非均匀数据的相异度公式;基于相异度公式定义了聚类目标优化函数,并根据局部优化方法给出聚类算法过程。在合成和真实数据集上的试验结果表明,与K-means、Verify2、ESSC聚类算法相比,本研究提出的非均匀数据的变异系数聚类算法(coefficient of variation clustering for non-uniform data, CVCN)聚类精度提升5%~40%。     

基于分布模型的层次聚类算法

提出了一种新的层次聚类算法,先对数据集进行采样,以采样点为中心吸收邻域内的数据点形成子簇,再根据子簇是否相交实现层次聚类。在层次聚类过程中,重新定义了簇与簇之间的距离度量,并以此为基础建立堆结构。利用估计数据点总体分布的思想,证明该算法将逼近最优解。实验结果表明,算法的聚类效果大大优于现有的聚类算法。     

基于航迹聚类的终端区飞行程序轨迹表示

为了定量评估飞行员严格按照规定的飞行程序执行飞行任务的能力,对终端区飞行程序轨迹的表示方法进行了研究。通常终端区范围内一条真实的航迹约有150个航迹点,而标准飞行程序仅使用4到9个航路点表示,不足以描述一条完整的航迹。针对这一问题,提出了基于航迹间面积加权的航迹相似性度量方法,并利用CURE算法实现航迹聚类。通过比较聚类集平均航迹和代表航迹分别与标准飞行程序的关系,建立了飞行程序轨迹表示模型。最后利用某大型国际机场的一条标准离场飞行程序以及实际运行航迹对提出的方法进行验证,实验表明,本文所述方法能更好的实现航迹聚类,并可准确地表示飞行程序轨迹,为分析与评估飞行员飞行品质提供理论基础和实践应用参考。